qdrant
v1.12.4
차세대 AI 애플리케이션을 위한 벡터 검색 엔진
Qdrant (읽기: quadrant )는 벡터 유사성 검색 엔진 및 벡터 데이터베이스입니다. 포인트를 저장, 검색 및 관리할 수 있는 편리한 API를 통해 생산 준비 서비스를 제공합니다. 추가 페이로드가 있는 벡터 Qdrant는 확장된 필터링 지원에 맞게 조정되었습니다. 이는 모든 종류의 신경망 또는 의미 기반 일치, 패싯 검색 및 기타 애플리케이션에 유용합니다.
Qdrant는 Rust ?로 작성되어 높은 부하에서도 빠르고 안정적입니다. 벤치마크를 참조하세요.
Qdrant를 사용하면 임베딩 또는 신경망 인코더를 매칭, 검색, 추천 등을 위한 완전한 애플리케이션으로 전환할 수 있습니다!
Qdrant는 무료 등급을 포함하여 완전 관리형 Qdrant Cloud ⛅로도 제공됩니다.
빠른 시작 • 클라이언트 라이브러리 • 데모 프로젝트 • 통합 • 연락처
pip install qdrant-client
Python 클라이언트는 로컬에서 Qdrant를 시작하는 편리한 방법을 제공합니다.
from qdrant_client import QdrantClient
qdrant = QdrantClient ( ":memory:" ) # Create in-memory Qdrant instance, for testing, CI/CD
# OR
client = QdrantClient ( path = "path/to/db" ) # Persists changes to disk, fast prototypingQdrant의 모든 기능을 로컬에서 경험하려면 다음 명령을 사용하여 컨테이너를 실행하세요.
docker run -p 6333:6333 qdrant/qdrant이제 Python을 포함한 모든 클라이언트를 사용하여 이에 연결할 수 있습니다.
qdrant = QdrantClient ( "http://localhost:6333" ) # Connect to existing Qdrant instanceQdrant를 프로덕션 환경에 배포하기 전에 설치 및 보안 가이드를 꼭 읽어보세요.
Qdrant는 애플리케이션 스택에 쉽게 통합할 수 있도록 다음과 같은 클라이언트 라이브러리를 제공합니다.
키워드 기반 검색을 뛰어넘어 짧은 텍스트에서 의미 있는 연결을 찾는 Qdrant를 통해 의미론적 임베딩의 힘을 활용해 보세요. 사전 훈련된 신경망을 사용하여 몇 분 만에 신경 검색을 배포하고 텍스트 검색의 미래를 경험해 보세요. 온라인으로 사용해 보세요!
특히 음식에 관해서는 텍스트 검색보다 더 많은 것을 발견할 수 있습니다. 사람들은 설명이나 재료보다는 겉모습을 보고 식사를 선택하는 경우가 많습니다. Qdrant는 사용자가 요리 이름을 모르더라도 시각적 검색을 사용하여 맛있는 다음 식사를 찾을 수 있도록 도와줍니다. 확인해 보세요!
수백만 개의 라벨이 포함된 다중 클래스 및 다중 라벨 문제를 다루는 신흥 기계 학습 분야인 최첨단 분류 영역을 입력하세요. 유사성 학습 모델의 잠재력을 활용하고, 사전 훈련된 변환기 모델과 Qdrant가 전자상거래 제품 분류에 어떻게 혁명을 일으킬 수 있는지 알아보세요. 온라인으로 플레이해보세요!
| 의미론적 텍스트 검색 | 유사 이미지 검색 | 권장사항 |
| 채팅 봇 | 매칭 엔진 | 이상 탐지 |
온라인 OpenAPI 3.0 문서는 여기에서 확인할 수 있습니다. OpenAPI를 사용하면 거의 모든 프레임워크 또는 프로그래밍 언어에 대한 클라이언트를 쉽게 생성할 수 있습니다.
원시 OpenAPI 정의를 다운로드할 수도 있습니다.
더 빠른 프로덕션 계층 검색을 위해 Qdrant는 gRPC 인터페이스도 제공합니다. 여기서 gRPC 문서를 찾을 수 있습니다.
Qdrant는 모든 JSON 페이로드를 벡터에 연결할 수 있으므로 이러한 페이로드의 값을 기반으로 데이터를 저장하고 필터링할 수 있습니다. 페이로드는 키워드 일치, 전체 텍스트 필터링, 숫자 범위, 지리적 위치 등을 포함하여 광범위한 데이터 유형 및 쿼리 조건을 지원합니다.
필터링 조건은 should , must 및 must_not 절을 포함하여 다양한 방식으로 결합될 수 있으므로 유사성 일치 외에 원하는 비즈니스 로직을 구현할 수 있습니다.
특정 키워드를 검색할 때 벡터 임베딩의 한계를 해결하기 위해 Qdrant는 일반 밀도 벡터 외에 희소 벡터에 대한 지원을 도입합니다.
희소 벡터는 BM25 또는 TF-IDF 순위의 일반화로 볼 수 있습니다. 이를 통해 변환기 기반 신경망의 기능을 활용하여 개별 토큰의 무게를 효과적으로 측정할 수 있습니다.
Qdrant는 벡터 검색을 보다 저렴하고 리소스 효율적으로 수행할 수 있는 다양한 옵션을 제공합니다. 내장된 벡터 양자화는 RAM 사용량을 최대 97%까지 줄이고 검색 속도와 정밀도 간의 균형을 동적으로 관리합니다.
Qdrant는 두 가지 주요 메커니즘을 통해 포괄적인 수평 확장 지원을 제공합니다.
io_uring 사용하여 네트워크에 연결된 스토리지에서도 디스크 처리량 활용도를 극대화합니다.Qdrant 통합의 예 및/또는 문서:
Qdrant는 Apache 라이선스 버전 2.0에 따라 라이선스가 부여됩니다. 라이센스 파일의 복사본을 봅니다.
