向量数据库 embedding如何操作
将向量存储在数据库中通常被称为“向量数据库”或“嵌入式数据库”。在使用这种数据库时，您通常会涉及以下操作：
插入向量：将向量插入到数据库中，通常需要指定一个唯一的标识符作为向量的主键。
查询相似向量：通过计算向量之间的相似度（通常使用余弦相似度或欧氏距离等度量方法），从数据库中检索与给定向量最相似的向量。
更新向量：更新数据库中存储的向量的数值或属性。
删除向量：从数据库中删除特定向量。
索引：为快速检索和相似性计算构建索引，以加速查询操作。
实际操作时，您可以考虑使用专门设计的向量数据库（如Milvus、Faiss等）来处理这些向量操作，这些数据库通常提供高效的向量存储和相似性搜索功能，并且支持各种向量操作接口。
技术干货
图像嵌入：增强图像搜索的深入解释
图像嵌入是现代计算机视觉算法的核心。了解它们的实现和用例，并探索不同的图像嵌入模型。
2024-07-26
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。
2024-07-26
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。
2024-07-26