vectorai

（VectorAI 已贬值，不再维护。我们建议使用 Relevance AI 来使用矢量搜索，请查看 https://tryrelevance.com ）

---

Vector AI 是一个框架，旨在使构建基于矢量的生产级应用程序的过程尽可能快速、轻松。创建、存储、操作、搜索和分析向量以及 json 文档，以支持神经搜索、语义搜索、个性化推荐等应用程序。

• 访问我们的网站并注册 api 密钥：https://getvectorai.com
• 对于 Python 文档：https://vector-ai.github.io/vectorai
• 对于 REST API 文档：https://api.vctr.ai/documentation
• 加入我们的不和谐：https://discord.gg/CbwUxyD
• 有关比较我们的功能的更温和的介绍，请阅读 https://getvectorai.com/product-ready-search-in-5-mines/

---

特征

• 多媒体数据矢量化：Image2Vec、Audio2Vec等（任何数据都可以通过机器学习转化为矢量）
• 面向文档的存储：将向量与文档一起存储，而无需在数据库中查找有关向量的元数据。
• 矢量相似性搜索：通过矢量相似性搜索启用矢量和丰富的多媒体搜索。许多流行的人工智能用例的支柱，如反向图像搜索、推荐、个性化等。
• 混合搜索：在某些情况下，矢量搜索不如传统搜索有效，例如搜索 sku。 Vector AI 可让您将矢量搜索与传统搜索的所有功能（例如过滤、模糊搜索、关键字匹配）相结合，以创建更强大的搜索。
• 多模型加权搜索：我们的矢量搜索是高度可定制的，您可以使用来自多个模型的多个矢量执行搜索，并赋予它们不同的权重。
• 矢量操作：灵活的搜索，对矢量进行开箱即用的操作。例如平均值、中位数、总和等。
• 聚合：您期望的所有传统聚合。例如按均值分组、数据透视表等
• 聚类：通过将向量和数据分配到存储桶来解释它们，并根据您提供的数据获取有关这些不同存储桶的统计信息。
• 矢量分析：通过使用开箱即用的实用矢量分析更好地了解您的矢量，让您更好地了解矢量的质量。

---

快速术语

• 模型/编码器（又名嵌入器）〜将数据转换为向量，例如 Word2Vec 将单词转换为向量
• 向量相似度搜索（又名最近邻搜索、距离搜索）
• 集合（又名索引、表）~集合由多个文档组成
• 文档（又名 Json、Item、Dictionary、Row）~ 文档可以包含矢量、文本和视频/图像/音频的链接。

---

快速入门

通过 pip 安装！与任何操作系统兼容。

 pip install vectorai

如果由于持续改进而需要每夜版本，您可以使用以下命令安装每晚版本：

 pip install vectorai-nightly

注意：虽然夜间版本仍将通过自动化测试，但它可能不稳定。

查看我们的快速入门笔记本，了解如何在 5 分钟内制作文本/图像/音频搜索引擎：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)

---

访问强大的矢量分析

Vector AI 具有强大的可视化功能，可让您通过 1 行代码尽可能轻松地分析向量。

 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]
)

轻松比较向量及其在文档中的搜索性能！

---

为什么选择 Vector AI 与其他最近邻实现相比？

• 生产就绪：我们的 API 是完全托管的，可以扩展以支持每天数亿次搜索。即使在数百万次搜索中，它也能通过边缘缓存、GPU 利用率和软件优化实现极快的速度，因此您无需担心随着用例的扩展而扩展基础设施。
• 使用简单。快速上手。 ：我们的核心设计原则之一是我们关注人们如何尽快开始使用 Vector AI，同时确保仍然有大量的功能和可定制选项。
• 更深入地了解您的向量及其属性：我们的库旨在让人们不仅仅能够获取最近的邻居，而且可以在数据添加到索引时对其进行实际实验、分析、解释和改进。
• 轻松存储矢量数据：Vector AI 面向文档的特性允许用户尽可能地标记、过滤搜索并理解其矢量。
• 实时访问数据：Vector AI 数据可实时访问，数据插入后即可立即搜索。无需等待数小时来建立索引。
• 与框架无关：我们永远不会在 Vector AI 上强制使用特定的框架。如果您有选择的框架，则可以使用它 - 只要您的文档是 JSON 可序列化的！

---

使用 VectorHub 模型

VectorHub 是 Vector AI 的主要模型存储库。 VectorHub 的模型是使用 scikit-learn 接口构建的，并且都有 Vector AI 集成的示例。如果您想尝试新的现成模型，我们建议您尝试一下 VectorHub 模型 - 所有这些模型都已在 Colab 上进行了测试，并且只需 3 行代码即可使用！

文档的架构规则（BYO 向量和 ID）

确保所有矢量字段的名称中都包含“_vector_”，并且所有 ID 字段的名称均为“_id”。

例如：

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

以下内容不会被识别为 ID 列或向量列。

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

---

这与 VectorAI API 有何不同？

Python SDK 旨在为 Pythonista 提供一种方法，以尽可能少的代码行来释放 VectorAI 的强大功能。它通过我们的开源自动化工具公开 API 的所有元素，并且是我们的数据科学家和工程师与 VectorAI 引擎交互的主要方式，以便在开发人员利用 API 请求之前快速构建原型。

注意：VectorAI SDK 构建在开发服务器上，有时会导致错误。然而，这对于确保用户能够根据需要访问最前沿的功能非常重要。如果您遇到此类问题，如果不紧急，我们建议您创建 GitHub 问题，但请随时 ping Discord 频道以获取更紧急的查询。

---

使用 Vector AI 构建产品

创建多语言AI时尚助手：https://fashionfiesta.me |博客

请与我们分享您使用 Vector AI 创建的任何博客或网站！