向量数据库博客

技术干货

如何选择合适的 Embedding 模型

检索增强生成（RAG）是生成式 AI （GenAI）中的一类应用，支持使用自己的数据来增强 LLM 模型（如 ChatGPT）的知识。 RAG 通常会用到三种不同的AI模型，即 Embedding 模型、Rerankear模型以及大语言模型。本文将介绍如何根据您的数据类型以及语言或特定领域（如法律）选择合适的 Embedding 模型。

技术干货

Milvus 跨集群数据迁移

将 milvus 数据从 A 集群（K8S集群）迁到 B 集群（K8S集群），解决方案很多，这里提供一个使用官方 milvus-backup 工具进行数据迁移的方案。

技术干货

什么是二进制嵌入？

尽管密集嵌入因其能够以最小的信息损失保留语义含义而普遍存在，但随着数据量的增加，它们的计算需求和内存需求也在增加。这种增加促使开发者寻求更高效的数据表示方法。

技术干货

如何检测和纠正GenAI模型中的逻辑谬误

随着LLM的使用和采用不断增长，我们需要解决一个关键问题：LLM输出中的逻辑谬误。解决这一挑战，使AI系统更具责任感和可信度至关重要。

技术干货

高级检索增强生成（RAG）应用与LlamaIndex

在最近由Zilliz（旧金山）主办的非结构化数据聚会上，LlamaIndex的开发者关系副总裁Laurie Voss发表了一场关于“使用LlamaIndex构建高级RAG应用”的演讲。他分享了如何使检索增强生成（RAG）框架更简单、更易于生产准备的知识，并通过LlamaIndex实现。

技术干货

如何实现 Delivery Hero 的 AI 生成图像安全系统

在应用程序中附有图像的产品比没有图像的产品更频繁地被订购。具体来说，86% 在应用程序上订购的产品附有图像。在进行 A/B 测试后，他们还发现仅通过为产品添加图像，转化率就增加了 6-8%。这一发现意味着产品图像是顾客在Delivery Hero 应用程序上订购食品之前的关键因素之一。

技术干货

Copilot 工作区：它是什么，它如何工作，为什么它很重要

他们介绍了他们的 Copilot 工作区，这是一个新的面向任务的开发环境，建立在 GitHub Copilot 之上。这个开发环境增强了我们如何利用生成性 AI 模型，因为现在我们可以超越简单的代码建议，实现整个功能的实现。在接下来的部分中，让我们探索这个 Copilot 工作区以及它如何帮助我们构建和维护 AI 应用程序。

技术干货

改善行为科学实验与LLMs和Milvus

探索的重点是发现图片中的什么允许这种转变以及如何寻找它。这就是多维图像嵌入和向量数据库发挥作用的地方。

技术干货

CPU是否足够？在新型硬件上运行向量搜索的综述

在Zilliz组织的2024年非结构化数据聚会上，Smile Identity的计算机视觉专家以及NeurIPS BigANN挑战赛的组织者（2021年，2023年）George Williams，探讨了CPU是否足以应对向量搜索/近似最近邻（ANN）。他探索了新的硬件解决方案如何能彻底改变向量搜索，强调了先进的搜索算法与尖端硬件的交汇，并对未来的数据检索技术提供了洞见。