譯者 | 李睿

審校 | 梁策 孫淑娟

如今的數(shù)據(jù)世界正在飛速變化，但許多企業(yè)似乎還未跟上這一趨勢(shì)的腳步。有行業(yè)專家預(yù)測(cè)，到2025年，80%或以上的數(shù)據(jù)將是非結(jié)構(gòu)化數(shù)據(jù)。但德勤的一項(xiàng)調(diào)查顯示，只有18%的企業(yè)對(duì)非結(jié)構(gòu)化數(shù)據(jù)分析做好了準(zhǔn)備。這意味著絕大多數(shù)企業(yè)擁有的大部分?jǐn)?shù)據(jù)都無(wú)法利用，而這也就突顯了擁有正確工具的重要性。

有很多數(shù)據(jù)是相當(dāng)簡(jiǎn)單易懂的，比如關(guān)鍵字、指標(biāo)、字符串和JSON等結(jié)構(gòu)化對(duì)象都是如此。這類數(shù)據(jù)可以通過(guò)傳統(tǒng)數(shù)據(jù)庫(kù)組織管理，并借助許多搜索引擎進(jìn)行搜索，同時(shí)也可以有效回答相對(duì)簡(jiǎn)單的問(wèn)題，比如：

• 哪些文檔包含這組單詞?
• 哪些項(xiàng)目符合這些客觀過(guò)濾標(biāo)準(zhǔn)?

可是，復(fù)雜的數(shù)據(jù)更難解釋也更有趣，通過(guò)回答復(fù)雜問(wèn)題也可以為業(yè)務(wù)釋放更多價(jià)值。例如：

• 哪些歌曲與“喜歡的”歌曲樣本相似?
• 關(guān)于給定主題有哪些可用的文件?
• 哪些安全警報(bào)需要關(guān)注，哪些可以忽略?
• 哪些項(xiàng)目符合自然語(yǔ)言描述?

回答這樣的問(wèn)題通常需要更復(fù)雜、結(jié)構(gòu)化程度更低的數(shù)據(jù)，比如文檔、純文本段落、視頻、圖像、音頻文件、工作流程和系統(tǒng)生成的警報(bào)等。這些形式的數(shù)據(jù)很難適配傳統(tǒng)SQL風(fēng)格的數(shù)據(jù)庫(kù)，簡(jiǎn)單的搜索引擎也可能無(wú)法發(fā)現(xiàn)它們。為了組織和搜索這些類型的數(shù)據(jù)，需要將數(shù)據(jù)轉(zhuǎn)換為計(jì)算機(jī)可以處理的格式。

向量的力量

好在機(jī)器學(xué)習(xí)模型允許創(chuàng)建文本、音頻、圖像和其他形式的復(fù)雜數(shù)據(jù)數(shù)字表示。這些數(shù)字表示或向量嵌入旨在使語(yǔ)義相似的項(xiàng)目映射到附近的表示。當(dāng)被視為高維空間中的點(diǎn)時(shí)，兩種表示的遠(yuǎn)近取決于它們之間的角度或距離。

機(jī)器學(xué)習(xí)模型使人類與機(jī)器的互動(dòng)方式更類似于人類之間的互動(dòng)方式。對(duì)于文本，這意味著用戶可以查詢自然語(yǔ)言問(wèn)題——查詢將轉(zhuǎn)換為向量，該向量使用將所有搜索項(xiàng)轉(zhuǎn)換為向量的相同嵌入模型。然后查詢向量將與所有對(duì)象向量進(jìn)行比較，以找到最接近的匹配項(xiàng)。同樣，圖像或音頻文件也可以轉(zhuǎn)換為向量，使人們能夠根據(jù)向量的接近程度(或數(shù)學(xué)相似性)搜索匹配項(xiàng)。

如今，將數(shù)據(jù)轉(zhuǎn)換為向量可比幾年前簡(jiǎn)單多了，而這要?dú)w功于一些可用的向量轉(zhuǎn)換器模型。這些模型性能良好，并且通常按原樣工作。Word2Vec、GLoVE和BERT等句子和文本轉(zhuǎn)換器模型都是出色的通用向量嵌入器，圖像則可以使用VGG和Inception等模型嵌入。音頻記錄可以使用音頻視覺(jué)表示上的圖像嵌入轉(zhuǎn)換為向量。這些模型都很成熟，可以針對(duì)特定的應(yīng)用和知識(shí)領(lǐng)域進(jìn)行微調(diào)。

有了現(xiàn)成可用的向量轉(zhuǎn)換器模型，問(wèn)題將從如何將復(fù)雜數(shù)據(jù)轉(zhuǎn)換為向量變成如何組織和搜索它們。

首先，進(jìn)入向量數(shù)據(jù)庫(kù)。向量數(shù)據(jù)庫(kù)專門設(shè)計(jì)了用于處理向量嵌入的獨(dú)特特征。它們索引數(shù)據(jù)的方式可以很容易地根據(jù)對(duì)象的數(shù)值搜索和檢索對(duì)象。

什么是向量數(shù)據(jù)庫(kù)?

向量數(shù)據(jù)庫(kù)可以定義為一種工具，它用于索引和存儲(chǔ)向量嵌入，以實(shí)現(xiàn)快速檢索和相似性搜索，并具有元數(shù)據(jù)過(guò)濾和水平縮放等功能。向量嵌入或者前面提到的向量是指數(shù)據(jù)對(duì)象的數(shù)字表示。向量數(shù)據(jù)庫(kù)將向量組織起來(lái)，以便它們之間可以快速比較或與搜索查詢的向量表示進(jìn)行比較。

向量數(shù)據(jù)庫(kù)是專門為非結(jié)構(gòu)化數(shù)據(jù)設(shè)計(jì)的，但它也有一些傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)所需的功能。它們可以對(duì)存儲(chǔ)的向量執(zhí)行CRUD操作(創(chuàng)建、讀取、更新和刪除)，提供數(shù)據(jù)持久性，并通過(guò)元數(shù)據(jù)過(guò)濾查詢。當(dāng)將向量搜索與數(shù)據(jù)庫(kù)操作結(jié)合起來(lái)時(shí)，就會(huì)得到一個(gè)可以用于多種應(yīng)用程序并具有強(qiáng)大功能的工具。

雖然這項(xiàng)技術(shù)仍在興起階段，但向量數(shù)據(jù)庫(kù)已經(jīng)為世界上一些大技術(shù)平臺(tái)提供了助力。比如，Spotify根據(jù)人們喜歡的歌曲、收聽(tīng)歷史和類似的音樂(lè)檔案提供個(gè)性化的音樂(lè)推薦;亞馬遜使用向量來(lái)推薦與客戶正在瀏覽的項(xiàng)目互補(bǔ)的產(chǎn)品;谷歌旗下的YouTube則可根據(jù)用戶當(dāng)前觀看的視頻和過(guò)往歷史的相似性提供相關(guān)的全新內(nèi)容，讓觀眾一直留駐在平臺(tái)上觀看。向量數(shù)據(jù)庫(kù)技術(shù)不斷改進(jìn)，也為人們帶來(lái)了更優(yōu)的性能和更個(gè)性化的用戶體驗(yàn)。

如今，任何企業(yè)都可以實(shí)現(xiàn)向量數(shù)據(jù)庫(kù)。開(kāi)源項(xiàng)目可以助力想要建立和維護(hù)自己的向量數(shù)據(jù)庫(kù)的組織，托管服務(wù)可以幫助想把這項(xiàng)工作外包出去并把關(guān)注點(diǎn)放在其他方面的企業(yè)。

本文將探討向量數(shù)據(jù)庫(kù)的重要特性以及最佳使用方式。

向量數(shù)據(jù)庫(kù)的常見(jiàn)應(yīng)用

相似度搜索或“向量搜索”是向量數(shù)據(jù)庫(kù)最常見(jiàn)的用例。向量搜索將索引中多個(gè)向量的接近程度與搜索查詢或主題項(xiàng)進(jìn)行比較。為了找到相似的匹配項(xiàng)，可以使用用于創(chuàng)建向量嵌入的相同機(jī)器學(xué)習(xí)嵌入模型，將主題項(xiàng)或查詢轉(zhuǎn)換為向量。向量數(shù)據(jù)庫(kù)比較這些向量的接近度以找到最接近的匹配項(xiàng)，并提供相關(guān)的搜索結(jié)果。

向量數(shù)據(jù)庫(kù)應(yīng)用的一些示例包括：

• 語(yǔ)義搜索。搜索文本和文檔時(shí)通常有兩種選擇：詞法搜索或語(yǔ)義搜索。詞法搜索查找詞串、確切詞或詞部分的匹配項(xiàng)。在另一方面，語(yǔ)義搜索使用搜索查詢的含義將其與候選對(duì)象進(jìn)行比較。自然語(yǔ)言處理(NLP)模型將文本和整個(gè)文檔轉(zhuǎn)換為向量嵌入，這些模型試圖表示單詞的場(chǎng)景及其所傳達(dá)的含義。然后，用戶可以使用自然語(yǔ)言和相同的模型進(jìn)行查詢，以查找相關(guān)結(jié)果，而無(wú)需知道特定的關(guān)鍵字。
• 對(duì)音頻、視頻、圖像和其他類型的非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行相似性搜索。這些數(shù)據(jù)類型很難用與傳統(tǒng)數(shù)據(jù)庫(kù)兼容的結(jié)構(gòu)化數(shù)據(jù)來(lái)很好地描述。最終用戶可能很難知道數(shù)據(jù)是如何組織的，或者哪些屬性可以幫助他們識(shí)別項(xiàng)目。用戶可以使用相似的對(duì)象和相同的機(jī)器學(xué)習(xí)模型查詢數(shù)據(jù)庫(kù)，以便更輕松地比較和找到相似的匹配項(xiàng)。
• 重復(fù)數(shù)據(jù)刪除和記錄匹配。考慮一個(gè)從目錄中刪除重復(fù)項(xiàng)目的應(yīng)用程序，使目錄更有用和相關(guān)。如果重復(fù)項(xiàng)的組織方式相似并登記為匹配項(xiàng)，那么傳統(tǒng)數(shù)據(jù)庫(kù)就可以做到這一點(diǎn)，但情況并非總是如此。向量數(shù)據(jù)庫(kù)允許人們使用機(jī)器學(xué)習(xí)模型來(lái)確定相似性，這通常可以避免不準(zhǔn)確或人工的分類工作。
• 推薦和排名引擎。類似的項(xiàng)目通常會(huì)提供很好的建議。例如，消費(fèi)者經(jīng)常發(fā)現(xiàn)查看相似或建議的產(chǎn)品、內(nèi)容或服務(wù)的比較很有用，它可以幫助消費(fèi)者找到自己本來(lái)不會(huì)發(fā)現(xiàn)或考慮的新產(chǎn)品。
• 異常檢測(cè)。向量數(shù)據(jù)庫(kù)可以找到與所有其他對(duì)象非常不同的異常值。一個(gè)人可能有一百萬(wàn)種不同但預(yù)期的模式，而異?？赡芘c這百萬(wàn)種預(yù)期模式中的任何一種都不同。此類異常對(duì)于IT運(yùn)營(yíng)、安全威脅評(píng)估和欺詐檢測(cè)非常有價(jià)值。

向量數(shù)據(jù)庫(kù)的關(guān)鍵功能

(1)向量索引和相似性搜索

向量數(shù)據(jù)庫(kù)使用專門設(shè)計(jì)用于有效索引和檢索向量的算法。他們使用“最近鄰”算法來(lái)評(píng)估相似對(duì)象彼此或搜索查詢的接近程度。一個(gè)查詢向量與100個(gè)其他向量之間的距離可以相當(dāng)容易地計(jì)算出來(lái)，但要計(jì)算1億個(gè)向量的距離就是另一回事了。

近似最近鄰(ANN)搜索通過(guò)近似和檢索相似向量的最佳猜測(cè)來(lái)解決延遲問(wèn)題。近似最近鄰(ANN)不能保證一組精確的最佳匹配，但它在高準(zhǔn)確性和更快性能之間取得了平衡。用于構(gòu)建近似最近鄰(ANN)索引的一些最常用的技術(shù)包括分層導(dǎo)航小世界(HNSW)、乘積量化(PQ)和倒排文件索引(IVF)。大多數(shù)向量數(shù)據(jù)庫(kù)使用這些的組合來(lái)生成針對(duì)性能優(yōu)化的復(fù)合索引。

(2)單級(jí)過(guò)濾

過(guò)濾是一種有用的技術(shù)，可根據(jù)所選元數(shù)據(jù)限制搜索結(jié)果以增加相關(guān)性，通常在最近鄰搜索之前或之后完成。預(yù)過(guò)濾首先在近似最近鄰(ANN)搜索之前收縮數(shù)據(jù)集，但這通常與領(lǐng)先的近似最近鄰(ANN)算法不兼容。一種解決方法是先縮小數(shù)據(jù)集，然后執(zhí)行暴力精確搜索。在對(duì)整個(gè)數(shù)據(jù)集進(jìn)行近似最近鄰(ANN)搜索后，后過(guò)濾會(huì)縮小結(jié)果。而后過(guò)濾利用近似最近鄰(ANN)算法的速度，但可能無(wú)法返回足夠的結(jié)果。比如這樣一種情況，過(guò)濾器僅向下選擇少數(shù)不太可能從整個(gè)數(shù)據(jù)集的搜索中返回的候選者。

單級(jí)過(guò)濾結(jié)合了預(yù)過(guò)濾的準(zhǔn)確性、相關(guān)性以及幾乎與后過(guò)濾一樣快的近似最近鄰(ANN)速度。通過(guò)將向量和元數(shù)據(jù)索引合并到一個(gè)索引中，單級(jí)過(guò)濾提供了兩種方法的最佳選擇。

(3)API

與許多托管服務(wù)一樣，應(yīng)用程序通常通過(guò)API與向量數(shù)據(jù)庫(kù)進(jìn)行交互。這使企業(yè)可以專注于自己的應(yīng)用程序，而不必?fù)?dān)心管理自己的向量數(shù)據(jù)庫(kù)的性能、安全性和可用性挑戰(zhàn)。

API調(diào)用使開(kāi)發(fā)人員和應(yīng)用程序可以輕松上傳、查詢、獲取結(jié)果或刪除數(shù)據(jù)。

(4)混合存儲(chǔ)

向量數(shù)據(jù)庫(kù)通常將所有向量數(shù)據(jù)存儲(chǔ)在內(nèi)存中，以便快速查詢和檢索。但是對(duì)于超過(guò)10億個(gè)搜索項(xiàng)的應(yīng)用程序，僅內(nèi)存成本就會(huì)使許多向量數(shù)據(jù)庫(kù)項(xiàng)目停滯不前。企業(yè)可以選擇將向量存儲(chǔ)在磁盤上，但這通常以更嚴(yán)重的搜索延遲為代價(jià)。

使用混合存儲(chǔ)，壓縮的向量索引存儲(chǔ)在內(nèi)存中，完整的向量索引存儲(chǔ)在磁盤上。內(nèi)存索引可以將搜索空間縮小到磁盤上全分辨率索引內(nèi)的一小組候選項(xiàng)。混合存儲(chǔ)允許企業(yè)在相同的數(shù)據(jù)占用空間中存儲(chǔ)更多向量，通過(guò)提高整體存儲(chǔ)容量來(lái)降低運(yùn)行向量數(shù)據(jù)庫(kù)的成本，而不會(huì)對(duì)數(shù)據(jù)庫(kù)性能產(chǎn)生負(fù)面影響。

(5)對(duì)復(fù)雜數(shù)據(jù)的洞察

在數(shù)據(jù)形態(tài)不斷發(fā)展，復(fù)雜數(shù)據(jù)增長(zhǎng)迅速的同時(shí)，多數(shù)企業(yè)目前還沒(méi)有能力對(duì)其進(jìn)行分析。大多數(shù)企業(yè)已經(jīng)使用的傳統(tǒng)數(shù)據(jù)庫(kù)不適合處理此類數(shù)據(jù)，因此對(duì)組織、存儲(chǔ)和分析非結(jié)構(gòu)化數(shù)據(jù)的新方法的需求與日俱增。

要解決復(fù)雜問(wèn)題就需要能夠搜索和分析復(fù)雜數(shù)據(jù)，而向量數(shù)據(jù)庫(kù)無(wú)疑是能夠充分挖掘這些復(fù)雜數(shù)據(jù)并獲取洞見(jiàn)的關(guān)鍵工具。

原文標(biāo)題：??Solving complex problems with vector databases??，作者：Dave Bergstein