vectoraiダウンロード - vectoraiソースコードのダウンロード

vectorai

その他のソースコード

v0.2.5

ダウンロード

(VectorAI は廃止され、メンテナンスされなくなりました。ベクトル検索を使用するには Relevance AI を使用することをお勧めします。 https://tryrelevance.com を確認してください)

Vector AI は、プロダクショングレードのベクターベースのアプリケーションをできるだけ迅速かつ簡単に構築するプロセスを実現するように設計されたフレームワークです。 JSON ドキュメントとともにベクターを作成、保存、操作、検索、分析し、ニューラル検索、セマンティック検索、パーソナライズされた推奨事項などのアプリケーションを強化します。

当社の Web サイトにアクセスして API キーにサインアップします: https://getvectorai.com
Python ドキュメントの場合: https://vector-ai.github.io/vectorai
REST API ドキュメントの場合: https://api.vctr.ai/documentation
Discord に参加してください: https://discord.gg/CbwUxyD
私たちの機能を比較するより穏やかな紹介については、https://getvectorai.com/production-ready-search-in-5- minutes/ をご覧ください。

特徴

マルチメディアデータのベクトル化: Image2Vec、Audio2Vec など (機械学習を通じてあらゆるデータをベクトル化できます)
ドキュメント指向ストア: ベクトルに関するメタデータの DB ルックアップを実行することなく、ベクトルをドキュメントと一緒に保存します。
ベクトル類似性検索: ベクトル類似性検索によるベクトルおよびリッチマルチメディアの検索を有効にします。逆画像検索、レコメンデーション、パーソナライゼーションなど、多くの人気のある AI ユースケースのバックボーン。
ハイブリッド検索: ベクトル検索が従来の検索ほど効果的ではないシナリオがあります (例: skus の検索)。 Vector AI を使用すると、ベクトル検索とフィルタリング、あいまい検索、キーワードマッチングなどの従来の検索のすべての機能を組み合わせて、さらに強力な検索を作成できます。
マルチモデル重み付け検索: 当社のベクトル検索は高度にカスタマイズ可能であり、複数のモデルからの複数のベクトルを使用して検索を実行し、それらに異なる重み付けを与えることができます。
ベクトル操作: すぐに使用できるベクトル操作による柔軟な検索。例: 平均、中央値、合計など。
Aggregation : 期待されるすべての従来の集計。例: 平均値によるグループ化、ピボットテーブルなど
クラスタリング: ベクトルとデータをバケットに割り当てて解釈し、提供したデータに基づいてこれらのさまざまなバケットに関する統計を取得します。
ベクトル分析: すぐに使える実用的なベクトル分析を使用してベクトルをより深く理解し、ベクトルの品質をより深く理解できるようになります。

簡単な用語

モデル/エンコーダー (別名エンベッダー) ~ データをベクトルに変換します。例: Word2Vec は単語をベクトルに変換します。
ベクトル類似性検索 (別名、最近傍検索、距離検索)
コレクション (別名インデックス、テーブル) ~ コレクションは複数のドキュメントで構成されます
ドキュメント (別名、Json、Item、Dictionary、Row) – ドキュメントには、ベクター、テキスト、およびビデオ/画像/オーディオへのリンクを含めることができます。

クイックスタート

pip経由でインストールしてください！あらゆるOSに対応。

 pip install vectorai

進行中の改善により夜間バージョンが必要な場合は、次を使用して夜間バージョンをインストールできます。

 pip install vectorai-nightly

注: 夜間バージョンは自動テストに合格しますが、安定していない可能性があります。

5 分でテキスト/画像/音声検索エンジンを作成する方法については、クイックスタートノートブックをご覧ください: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)

強力なベクトル分析にアクセスする

Vector AI には、1 行のコードでベクトルをできるだけ簡単に分析できる強力な視覚化機能があります。

 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]
)

ドキュメント上のベクトルとその検索パフォーマンスを簡単に比較します。

他の最近傍実装と比較して Vector AI を使用する理由は何ですか?

実稼働対応: 当社の API はフルマネージドであり、1 日に何億件もの検索を実行できるように拡張できます。数百万回の検索でも、エッジキャッシュ、GPU 使用率、ソフトウェアの最適化によって高速に処理されるため、ユースケースの規模に応じてインフラストラクチャの拡張を心配する必要はありません。
使い方は簡単。すぐに始められます。 : 私たちの核となる設計原則の 1 つは、ユーザーができるだけ早く Vector AI の使用を開始できると同時に、大量の機能とカスタマイズ性のオプションを確保できるようにすることに重点を置いているということです。
ベクトルとそのプロパティについてのより深い理解: 私たちのライブラリは、人々が単に最近傍を取得するだけでなく、データがインデックスに追加された瞬間にそれらを実際に実験、分析、解釈し、改善できるように設計されています。
ベクトルデータを簡単に保存: Vector AI のドキュメント指向の性質により、ユーザーはラベル付け、フィルター検索、ベクトルの理解が可能な限り可能になります。
データへのリアルタイムアクセス: Vector AI データはリアルタイムでアクセスでき、データが挿入されるとすぐに検索可能になります。インデックスの作成に何時間も待つ必要はありません。
フレームワークにとらわれない: Vector AI に特定のフレームワークを強制するつもりはありません。選択したフレームワークがある場合は、ドキュメントが JSON シリアル化可能である限り、それを使用できます。

VectorHub モデルの使用

VectorHub は、Vector AI のメインモデルリポジトリです。 VectorHub のモデルは scikit-learn インターフェイスを使用して構築されており、すべてに Vector AI 統合の例が含まれています。新しい既製モデルを試してみたい場合は、VectorHub モデルを試してみることをお勧めします。それらはすべて Colab でテストされており、わずか 3 行のコードで使用できます。

ドキュメントのスキーマルール (BYO ベクターと ID)

すべてのベクターフィールドの名前に「_vector_」が含まれていること、およびすべての ID フィールドの名前が「_id」であることを確認してください。

例えば：

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

以下のものは ID 列またはベクター列として認識されません。

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

これは VectorAI API とどう違うのですか?

Python SDK は、Pythonista ができるだけ少ないコード行で VectorAI の機能を活用できる方法を提供するように設計されています。これは、オープンソースの自動化ツールを通じて API のすべての要素を公開し、データサイエンティストやエンジニアが VectorAI エンジンと対話して、開発者が API リクエストを利用する前に迅速なプロトタイピングを行う主な方法です。

注: VectorAI SDK は開発サーバー上に構築されているため、エラーが発生する場合があります。ただし、これはユーザーが必要に応じて最先端の機能に確実にアクセスできるようにするために重要です。このような問題に遭遇した場合、緊急でない場合は GitHub の問題を作成することをお勧めしますが、より緊急の問い合わせについては、Discord チャネルに遠慮なく ping してください。