vectorai

（VectorAI 已貶值，不再維護。我們建議使用 Relevance AI 來使用向量搜索，請查看 https://tryrelevance.com ）

---

Vector AI 是一個框架，旨在使建立基於向量的生產級應用程式的過程盡可能快速、輕鬆。創建、儲存、操作、搜尋和分析向量以及 json 文檔，以支援神經搜尋、語義搜尋、個人化推薦等應用程式。

• 造訪我們的網站並註冊 api 金鑰：https://getvectorai.com
• 對於 Python 文件：https://vector-ai.github.io/vectorai
• 對於 REST API 文件：https://api.vctr.ai/documentation
• 加入我們的不和諧：https://discord.gg/CbwUxyD
• 有關比較我們的功能的更溫和的介紹，請閱讀 https://getvectorai.com/product-ready-search-in-5-mines/

---

特徵

• 多媒體資料向量化：Image2Vec、Audio2Vec等（任何資料都可以透過機器學習轉化為向量）
• 以文件為導向的儲存：將向量與文件一起存儲，而無需在資料庫中尋找有關向量的元資料。
• 向量相似性搜尋：透過向量相似性搜尋啟用向量和豐富的多媒體搜尋。許多流行的人工智慧用例的支柱，如反向圖像搜尋、推薦、個人化等。
• 混合搜尋：在某些情況下，向量搜尋不如傳統搜尋有效，例如搜尋 sku。 Vector AI 讓您將向量搜尋與傳統搜尋的所有功能（例如過濾、模糊搜尋、關鍵字匹配）相結合，以創建更強大的搜尋。
• 多模型加權搜索：我們的向量搜索是高度可自訂的，您可以使用來自多個模型的多個向量執行搜索，並賦予它們不同的權重。
• 向量操作：靈活的搜索，對向量進行開箱即用的操作。例如平均值、中位數、總和等。
• 聚合：您期望的所有傳統聚合。例如按平均值分組、資料透視表等
• 聚類：透過將向量和資料分配到儲存桶來解釋它們，並根據您提供的資料來獲取有關這些不同儲存桶的統計資料。
• 向量分析：透過使用開箱即用的實用向量分析來更好地了解您的向量，讓您更了解向量的品質。

---

快速術語

• 模型/編碼器（又稱嵌入器）〜將資料轉換為向量，例如 Word2Vec 將單字轉換為向量
• 向量相似度搜尋（又稱最近鄰搜尋、距離搜尋）
• 集合（又稱索引、表）~集合由多個文件組成
• 文件（又稱 Json、Item、Dictionary、Row）~ 文件可以包含向量、文字和視訊/圖像/音訊的連結。

---

快速入門

透過 pip 安裝！與任何作業系統相容。

 pip install vectorai

如果由於持續改進而需要每夜版本，您可以使用以下命令安裝每晚版本：

 pip install vectorai-nightly

注意：雖然夜間版本仍將通過自動化測試，但它可能不穩定。

查看我們的快速入門筆記本，了解如何在 5 分鐘內製作文字/圖像/音訊搜尋引擎：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)

---

存取強大的向量分析

Vector AI 具有強大的視覺化功能，可讓您透過 1 行程式碼盡可能輕鬆分析向量。

 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]
)

輕鬆比較向量及其在文件中的搜尋效能！

---

為什麼選擇 Vector AI 與其他最近鄰實作相比？

• 生產就緒：我們的 API 是完全託管的，可以擴展以支援每天數億次搜尋。即使在數百萬次搜尋中，它也能透過邊緣快取、GPU 使用率和軟體優化實現極快的速度，因此您無需擔心隨著用例的擴展而擴展基礎架構。
• 使用簡單。快速上手。 ：我們的核心設計原則之一是我們專注於人們如何盡快開始使用 Vector AI，同時確保仍然有大量的功能和可自訂選項。
• 更深入地了解您的向量及其屬性：我們的庫旨在讓人們不僅僅能夠獲取最近的鄰居，而且可以在數據添加到索引時對其進行實際實驗、分析、解釋和改進。
• 輕鬆儲存向量資料：Vector AI 面向文件的特性可讓使用者盡可能標記、過濾搜尋並理解其向量。
• 即時存取數據：Vector AI 數據可即時訪問，數據插入後即可立即搜尋。無需等待數小時來建立索引。
• 與框架無關：我們永遠不會在 Vector AI 上強制使用特定的框架。如果您有選擇的框架，則可以使用它 - 只要您的文件是 JSON 可序列化的！

---

使用 VectorHub 模型

VectorHub 是 Vector AI 的主要模型儲存庫。 VectorHub 的模型是使用 scikit-learn 介面建構的，並且都有 Vector AI 整合的範例。如果您想嘗試新的現成模型，我們建議您嘗試 VectorHub 模型 - 所有這些模型都已在 Colab 上進行了測試，並且只需 3 行程式碼即可使用！

文件的架構規則（BYO 向量和 ID）

確保所有向量欄位的名稱中都包含“_vector_”，並且所有 ID 欄位的名稱均為“_id”。

例如：

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

以下內容不會被辨識為 ID 列或向量列。

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

---

這與 VectorAI API 有何不同？

Python SDK 旨在為 Pythonista 提供一種方法，以盡可能少的程式碼行來釋放 VectorAI 的強大功能。它透過我們的開源自動化工具公開 API 的所有元素，並且是我們的資料科學家和工程師與 VectorAI 引擎互動的主要方式，以便在開發人員利用 API 請求之前快速建立原型。

注意：VectorAI SDK 建置在開發伺服器上，有時會導致錯誤。然而，這對於確保用戶能夠根據需要訪問最前沿的功能非常重要。如果您遇到此類問題，如果不緊急，我們建議您建立 GitHub 問題，但請隨時 ping Discord 頻道以獲取更緊急的查詢。

---

使用 Vector AI 建置產品

創建多語言AI時尚助手：https://fashionfiesta.me |部落格

請與我們分享您使用 Vector AI 創建的任何部落格或網站！