Unduhan vectorai - pengunduhan kode sumber vectorai

vectorai

Kode sumber lainnya

v0.2.5

Unduh

(VectorAI sudah disusutkan, dan tidak lagi dikelola. Kami merekomendasikan penggunaan Relevance AI untuk menggunakan penelusuran vektor, lihat https://tryrelevance.com )

Vector AI adalah kerangka kerja yang dirancang untuk membuat proses pembuatan aplikasi berbasis vektor tingkat produksi secepat dan semudah mungkin. Membuat, menyimpan, memanipulasi, mencari dan menganalisis vektor bersama dokumen json untuk mendukung aplikasi seperti pencarian saraf, pencarian semantik, rekomendasi yang dipersonalisasi, dll.

Kunjungi situs web kami dan daftar untuk mendapatkan kunci api: https://getvectorai.com
Untuk Dokumentasi Python: https://vector-ai.github.io/vectorai
Untuk Dokumentasi REST API: https://api.vctr.ai/documentation
Bergabunglah dengan perselisihan kami: https://discord.gg/CbwUxyD
Untuk pengenalan lebih lembut yang membandingkan fitur kami, baca https://getvectorai.com/production-ready-search-in-5-menit/

Fitur

Vektorisasi Data Multimedia : Image2Vec, Audio2Vec, dll (Data apa pun dapat diubah menjadi vektor melalui pembelajaran mesin)
Penyimpanan Berorientasi Dokumen : Simpan vektor Anda di samping dokumen tanpa harus melakukan pencarian db untuk metadata tentang vektor.
Pencarian Kesamaan Vektor : Memungkinkan pencarian vektor dan multimedia yang kaya dengan pencarian kesamaan vektor. Tulang punggung dari banyak kasus penggunaan AI yang populer seperti pencarian gambar terbalik, rekomendasi, personalisasi, dll.
Pencarian Hibrid : Ada skenario dimana pencarian vektor tidak seefektif pencarian tradisional, misalnya pencarian skus. Vector AI memungkinkan Anda menggabungkan pencarian vektor dengan semua fitur pencarian tradisional seperti pemfilteran, pencarian fuzzy, pencocokan kata kunci untuk membuat pencarian yang lebih canggih.
Pencarian Berbobot Multi-Model : Pencarian Vektor kami sangat dapat disesuaikan dan Anda dapat melakukan pencarian dengan banyak vektor dari beberapa model dan memberinya bobot yang berbeda.
Operasi Vektor : Pencarian fleksibel dengan operasi khusus pada vektor. misalnya mean, median, jumlah, dll.
Agregasi : Semua agregasi tradisional yang Anda harapkan. misalnya mengelompokkan berdasarkan mean, tabel pivot, dll
Pengelompokan : Tafsirkan vektor dan data Anda dengan mengalokasikannya ke keranjang dan dapatkan statistik tentang keranjang yang berbeda ini berdasarkan data yang Anda berikan.
Analisis Vektor : Dapatkan pemahaman yang lebih baik tentang vektor Anda dengan menggunakan analisis vektor praktis yang siap pakai, sehingga memberi Anda pemahaman yang lebih baik tentang kualitas vektor Anda.

Terminologi Singkat

Models/Encoders (alias. Embedders) ~ Mengubah data menjadi vektor misalnya Word2Vec mengubah kata menjadi vektor
Pencarian Kesamaan Vektor (alias Pencarian Tetangga Terdekat, Pencarian Jarak)
Koleksi (alias Indeks, Tabel) ~ koleksi terdiri dari beberapa dokumen
Dokumen (alias Json, Item, Kamus, Baris) ~ dokumen dapat berisi vektor, teks, dan tautan ke video/gambar/audio.

Mulai Cepat

Instal melalui pip! Kompatibel dengan OS apa pun.

 pip install vectorai

Jika Anda memerlukan versi nightly karena perbaikan yang sedang berlangsung, Anda dapat menginstal versi nightly menggunakan:

 pip install vectorai-nightly

Catatan: meskipun versi nightly masih lulus pengujian otomatis, versi ini mungkin tidak stabil.

Lihat buku catatan mulai cepat kami tentang cara membuat mesin pencari teks/gambar/audio dalam 5 menit: quickstart.ipynb

 from vectorai import ViClient, request_api_key

api_key = request_api_key(username=<username>, email=<email>, description=<description>, referral_code="github_referred")

vi_client = ViClient(username=username, api_key=api_key)

from vectorai.models.deployed import ViText2Vec
text_encoder = ViText2Vec(username, api_key)

documents = [
    {
        '_id': 0,
        'color': 'red'
    },
    {
        '_id': 1,
        'color': 'blue'
    }
]

# Insert the data
vi_client.insert_documents('test-collection', documents, models={'color': text_encoder.encode})

# Search the data
vi_client.search('test-collection', text_encoder.encode('maroon'), 'color_vector_', page_size=2)

# Get Recommendations
vi_client.search_by_id('test-collection', '1', 'color_vector_', page_size=2)

Akses Analisis Vektor yang Kuat

Vector AI memiliki visualisasi yang kuat untuk memungkinkan Anda menganalisis vektor semudah mungkin - dalam 1 baris kode.

 vi_client.plot_dimensionality_reduced_vectors(documents, 
    point_label='title', 
    dim_reduction_field='_dr_ivis', 
    cluster_field='centroid_title', cluster_label='centroid_title')

 vi_client.plot_2d_cosine_similarity(
    documents,
    documents[0:2],
    vector_fields=['use_vector_'],
    label='name',
    anchor_document=documents[0]
)

Bandingkan vektor dan kinerja pencariannya di dokumen Anda dengan mudah!

Mengapa Vector AI dibandingkan dengan implementasi Nearest Neighbor lainnya?

Siap Produksi : API kami dikelola sepenuhnya dan dapat ditingkatkan untuk mendukung ratusan juta pencarian setiap hari. Bahkan pada jutaan pencarian, hal ini sangat cepat melalui edge caching, pemanfaatan GPU, dan optimalisasi perangkat lunak sehingga Anda tidak perlu khawatir tentang penskalaan infrastruktur seiring dengan skala kasus penggunaan Anda.
Mudah digunakan. Cepat untuk memulai. : Salah satu prinsip desain inti kami adalah kami fokus pada bagaimana orang dapat mulai menggunakan Vector AI secepat mungkin, sambil memastikan masih ada banyak opsi fungsionalitas dan penyesuaian.
Pemahaman yang lebih kaya tentang vektor Anda dan propertinya : Perpustakaan kami dirancang untuk memungkinkan orang melakukan lebih dari sekadar mendapatkan tetangga terdekat, namun untuk benar-benar bereksperimen, menganalisis, menafsirkan, dan memperbaikinya saat data ditambahkan ke indeks.
Menyimpan data vektor dengan mudah : Sifat Vector AI yang berorientasi pada dokumen memungkinkan pengguna memberi label, memfilter pencarian, dan memahami vektor mereka sebanyak mungkin.
Akses data secara real-time : Data Vector AI dapat diakses secara real-time, begitu data dimasukkan, data langsung dapat dicari. Tidak perlu menunggu berjam-jam untuk membuat indeks.
Kerangka kerja agnostik : Kami tidak akan pernah memaksakan kerangka kerja tertentu pada AI Vektor. Jika Anda memiliki kerangka pilihan, Anda dapat menggunakannya - selama dokumen Anda dapat diserialkan JSON!

Menggunakan Model VectorHub

VectorHub adalah gudang model utama Vector AI. Model dari VectorHub dibuat dengan antarmuka scikit-learn dan semuanya memiliki contoh integrasi Vector AI. Jika Anda ingin bereksperimen dengan model baru yang tersedia, kami sarankan untuk mencoba model VectorHub - semuanya telah diuji di Colab dan dapat digunakan hanya dalam 3 baris kode!

Aturan Skema untuk dokumen (Vektor dan ID BYO)

Pastikan setiap bidang vektor berisi '_vector_' pada namanya dan setiap bidang ID memiliki nama '_id'.

Misalnya:

 example_item = {
    '_id': 'James',
    'skills_vector_': [0.123, 0.456, 0.789, 0.987, 0.654, 0.321]
}

Berikut ini tidak akan dikenali sebagai kolom ID atau kolom vektor.

 example_item = {
    'name_id': 'James',
    'skillsvector_': [0.123, 0.456, 0.789, 0.987, 0.654, 0.321]
}

Apa bedanya dengan API VectorAI?

Python SDK dirancang untuk memberikan cara bagi Pythonista untuk membuka kekuatan VectorAI dalam baris kode sesedikit mungkin. Ini mengekspos semua elemen API melalui alat otomatisasi sumber terbuka kami dan merupakan cara utama ilmuwan dan insinyur data kami berinteraksi dengan mesin VectorAI untuk pembuatan prototipe cepat sebelum pengembang memanfaatkan permintaan API.

Catatan : VectorAI SDK dibangun di server pengembangan yang terkadang dapat menyebabkan kesalahan. Namun, hal ini penting untuk memastikan bahwa pengguna dapat mengakses fitur-fitur paling mutakhir sesuai kebutuhan. Jika Anda mengalami masalah seperti itu, kami sarankan untuk membuat Masalah GitHub jika tidak mendesak, namun jangan ragu untuk melakukan ping ke saluran Discord untuk pertanyaan yang lebih mendesak.