qdrant
v1.12.4
Vector Search Engine для следующего поколения приложений искусственного интеллекта
Qdrant (читай: квадрант ) — это система поиска по сходству векторов и база данных векторов. Он предоставляет готовый к использованию сервис с удобным API для хранения, поиска и управления точками — векторы с дополнительной полезной нагрузкой Qdrant адаптирован для поддержки расширенной фильтрации. Это делает его полезным для всех видов нейронных сетей или семантического сопоставления, фасетного поиска и других приложений.
Qdrant написан на Rust?, что делает его быстрым и надежным даже при высокой нагрузке. См. тесты.
С помощью Qdrant встраивания или кодировщики нейронных сетей можно превратить в полноценные приложения для сопоставления, поиска, рекомендаций и многого другого!
Qdrant также доступен в виде полностью управляемого Qdrant Cloud ⛅, включая уровень бесплатного пользования .
Быстрый старт • Клиентские библиотеки • Демо-проекты • Интеграции • Контакты
pip install qdrant-client
Клиент Python предлагает удобный способ начать работу с Qdrant локально:
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 prototypingЧтобы ощутить всю мощь Qdrant локально, запустите контейнер с помощью этой команды:
docker run -p 6333:6333 qdrant/qdrantТеперь вы можете подключиться к этому с помощью любого клиента, включая Python:
qdrant = QdrantClient ( "http://localhost:6333" ) # Connect to existing Qdrant instanceПеред развертыванием Qdrant в рабочей среде обязательно прочтите наши руководства по установке и безопасности.
Qdrant предлагает следующие клиентские библиотеки, которые помогут вам легко интегрировать их в стек приложений:
Раскройте возможности семантического внедрения с помощью Qdrant, выходя за рамки поиска по ключевым словам и находя значимые связи в коротких текстах. Разверните нейронный поиск за считанные минуты с помощью предварительно обученной нейронной сети и испытайте будущее текстового поиска. Попробуйте онлайн!
Открытие — это нечто большее, чем просто текстовый поиск, особенно когда дело касается еды. Люди часто выбирают блюда по внешнему виду, а не по описаниям и ингредиентам. Позвольте Qdrant помочь вашим пользователям найти следующее вкусное блюдо с помощью визуального поиска, даже если они не знают названия блюда. Проверьте это!
Откройте для себя передовую сферу экстремальной классификации — развивающуюся область машинного обучения, решающую проблемы с несколькими классами и несколькими метками с миллионами меток. Используйте потенциал моделей обучения по сходству и посмотрите, как предварительно обученная модель преобразователя и Qdrant могут революционизировать категоризацию продуктов электронной коммерции. Играйте с ним онлайн!
| Семантический текстовый поиск | Поиск похожих изображений | Рекомендации |
| Чат-боты | Соответствующие двигатели | Обнаружение аномалий |
Онлайн-документация OpenAPI 3.0 доступна здесь. OpenAPI позволяет легко создавать клиент практически для любого фреймворка или языка программирования.
Вы также можете загрузить необработанные определения OpenAPI.
Для более быстрого поиска на производственном уровне Qdrant также предоставляет интерфейс gRPC. Документацию по gRPC можно найти здесь.
Qdrant может присоединять к векторам любые полезные данные JSON, обеспечивая как хранение, так и фильтрацию данных на основе значений в этих полезных нагрузках. Полезная нагрузка поддерживает широкий спектр типов данных и условий запроса, включая сопоставление ключевых слов, полнотекстовую фильтрацию, числовые диапазоны, географическое расположение и многое другое.
Условия фильтрации можно комбинировать различными способами, включая предложения should , must и must_not , гарантируя, что вы сможете реализовать любую желаемую бизнес-логику поверх сопоставления по сходству.
Чтобы устранить ограничения векторных вложений при поиске по определенным ключевым словам, Qdrant вводит поддержку разреженных векторов в дополнение к обычным плотным.
Разреженные векторы можно рассматривать как обобщение ранжирования BM25 или TF-IDF. Они позволяют вам использовать возможности нейронных сетей на основе трансформаторов для эффективного взвешивания отдельных токенов.
Qdrant предоставляет несколько вариантов, позволяющих сделать векторный поиск более дешевым и ресурсоэффективным. Встроенное векторное квантование сокращает использование оперативной памяти до 97 % и динамически обеспечивает компромисс между скоростью поиска и точностью.
Qdrant предлагает комплексную поддержку горизонтального масштабирования посредством двух ключевых механизмов:
io_uring для максимизации использования пропускной способности диска даже в сетевом хранилище.Примеры и/или документация по интеграции Qdrant:
Qdrant лицензируется по лицензии Apache версии 2.0. Просмотрите копию файла лицензии.
