Oracle AI Vector Search – Funktionen
Allgemeines
VECTOR-Datentyp
Mit Oracle Database 26ai können Sie den neuen nativen Vektordatentyp verwenden, um Vektoren direkt in Tabellen zu speichern. Die Unterstützung von Vektoren mit unterschiedlichen Dimensionsanzahlen und Formaten bedeutet, dass Sie das Vektor-Einbettungsmodell Ihrer Wahl verwenden können, um die Anwendungsentwicklung und -bereitstellung zu vereinfachen.
Tabellen mit dem VECTOR-Datentyp erstellen
Flexible Vektorgenerierung
Verwenden Sie das ONNX-Framework, um die Embedding-Modelle Ihrer Wahl zu importieren und daraus Vektoren für Ihre Daten zu generieren. Oder verwenden Sie Datenbank-APIs, um Vektoren aus Ihrem bevorzugten Embedding-Service zu generieren, einschließlich NVIDIA NIM-Containern. Sie haben außerdem die Möglichkeit, Vektoren direkt in die Datenbank zu importieren.
Importieren Sie vortrainierte Modelle im ONNX-Format zur Vektorerzeugung direkt in der Datenbank
Einfaches Standard-SQL für die Abfrage von Vektoren
Verwenden Sie einfache, intuitive SQL, um Ähnlichkeitssuchen in Vektoren durchzuführen und Vektoren mit relationalen, Text-, JSON- und anderen Datentypen innerhalb derselben Abfrage frei zu kombinieren.
SQL-Funktionen für Vektorvorgänge verwenden
Nahtlose Kombination von KI-Vektordaten mit Geschäftsdaten
Kombinieren Sie die ausgefeilte Suche nach Geschäftsdaten mit der KI-Vektor-Ähnlichkeitssuche unter Verwendung einfacher, intuitiver SQL und der vollen Leistungsfähigkeit einer konvergierten Datenbank – JSON, Grafik, Text, relational, räumlich und mehr – alles innerhalb einer einzigen Abfrage.
JSON-Kompatibilität mit dem VECTOR-Datentyp
Vektorindizes
Beschleunigen Sie Ähnlichkeitssuchen mithilfe hochpräziser Näherungssuchindizes (Vektorindizes), wie z. B. dem In-Memory-Nachbarschafts-Graphenindex für maximale Leistung und Nachbarschafts-Partitionsindizes für umfangreiche Datensätze.
Verschiedene Kategorien von Vektorindizes verwalten
Hybridvektorindizes
Indexieren und durchsuchen Sie Dokumente mithilfe einer Kombination aus Volltextsuche und semantischer Vektorsuche, um die allgemeine Sucherfahrung zu verbessern und den Benutzern genauere Informationen zur Verfügung zu stellen.
Hybride Vektorindizes verwalten
Genauigkeitsspezifikation für die einfache Suche
Geben Sie die Zielsuchgenauigkeit als einfachen Prozentsatz an, anstatt erweiterte algorithmische Parameter angeben zu müssen. Legen Sie die Standardgenauigkeit bei der Indexerstellung fest und überschreiben Sie sie bei Bedarf in Suchanfragen.
Bestimmen Sie die Genauigkeit Ihrer Vektorindizes
Unterstützung der Retrieval-augmented Generation
Verbessern Sie die Interaktionen mit dem Large Language Model (LLM), indem Sie kontextspezifische private Daten bereitstellen, um die Genauigkeit der Antworten durch eine Kombination aus Ähnlichkeitssuche und Suche nach Geschäftsdaten zu verbessern. Erweitern Sie Retrieval-Augmented Generation (RAG) mithilfe integrierter Geschäftskriterien wie Sicherheitsfiltern, Geschäftskennzahlen und Geschäftsregeln.
Verwendung von Retrieval-Augmented Generation zur Ergänzung von LLMs
Branchenführende Sicherheit
Oracle AI Vector Search lässt sich nahtlos in die branchenführenden Datenbanksicherheitsfunktionen von Oracle integrieren, um Risiken zu reduzieren und die Einhaltung von Vorschriften zu vereinfachen. Durch den Einsatz robuster Tools wie Verschlüsselung, Datenmaskierung, Zugriffskontrollen für privilegierte Benutzer, Aktivitätsüberwachung und Auditing können Unternehmen ihre Daten schützen und gleichzeitig die Vorteile fortschrittlicher KI-Suchfunktionen voll ausschöpfen.
Unterstützung für eine vollständige generative KI-Pipeline
Führen Sie alle Aspekte der generativen KI-Pipeline mithilfe nativer Datenbank-APIs von Anfang bis Ende aus, um Entwicklern die Erstellung von KI-Anwendungen der nächsten Generation unter Verwendung ihrer Geschäftsdaten zu erleichtern – alles direkt aus der Datenbank heraus.
Integration von Oracle AI Vector Search mit LlamaIndex
AI Vector Search mit einer vollständigen Suite für maschinelles Lernen
Bewältigen Sie eine Vielzahl von KI-Anwendungsfällen, die maschinelles Lernen (Entscheidungen, Vorhersagen, Klassifizierung, Prognosen usw.) in Kombination mit der Leistungsfähigkeit der KI-basierten Vektorsuche umfassen. Zum Beispiel ist es einfach, Inferenz und Klassifizierung mit Oracle AI Vector Search in derselben SQL-Abfrage zu kombinieren.
Exadata-Optimierungen
Beschleunigen Sie die Erstellung und Suche von Vektorindizes – mit den Optimierungen der Exadata System Software 24ai. Profitieren Sie von der hohen Performance, Skalierbarkeit und Verfügbarkeit, die Exadata für Unternehmensdatenbanken bereitstellt.
Elastischer Vektorspeicher
Hierarchisch navigierbare Small-World-Vektorindizes (HNSW) werden im Datenbankspeicher abgelegt. Für die Erstellung eines HNSW-Index muss ausreichend Speicher zur Verfügung stehen, da Änderungen an der zugrunde liegenden Basistabelle die Größe des Index beeinflussen können. Mit Elastic Vector Memory passt sich der Datenbankspeicher automatisch dynamisch an, um alle HNSW-Indizes aufzunehmen.
Weitere Informationen zum elastischen Vektorspeicher
Benutzerdefinierte Vektor-Distanzfunktionen
Vektorsuchoperationen stützen sich häufig auf gängige Distanzmetriken wie den euklidischen Abstand, die Kosinus-Ähnlichkeit oder das Skalarprodukt. In bestimmten Szenarien sind jedoch branchenspezifische oder unternehmensinterne Metriken erforderlich. Mit benutzerdefinierten Vektor-Distanzfunktionen können solche individuellen Metriken flexibel umgesetzt werden.
Weitere Informationen zu den benutzerdefinierten Vektor-Distanzfunktionen
Unterstützung für Sparse-Vektoren
Sparse-Vektoren besitzen viele Dimensionen, von denen jedoch nur wenige tatsächlich belegt sind. Da ausschließlich die von null abweichenden Werte gespeichert werden, lassen sich Speicherbedarf und Rechenaufwand deutlich reduzieren. Dank nativer Unterstützung in PL/SQL können Sparse-Vektoren direkt innerhalb von PL/SQL erstellt und effizient genutzt werden. Sparse-Vektoren können auch mit hierarchischen navigierbaren Small-World-Vektorindizes (HNSW) indiziert werden, die alle Vorteile in Bezug auf Geschwindigkeit, Genauigkeit und Flächenoptimierung in einer Einheit vereinen.