Fonctionnalités de recherche d'Oracle AI Vector

Généralités

Type de données vectoriel

Avec Oracle AI Database 26ai, vous pouvez utiliser le nouveau type de données vectoriel natif pour stocker les vecteurs directement dans les tables. La prise en charge des vecteurs avec différents nombres et formats de dimensions signifie que vous pouvez utiliser le modèle d'intégration de vecteurs de votre choix pour simplifier le développement et le déploiement d'applications.

Créer des tables à l'aide du type de données VECTOR

Génération de vecteurs flexibles

Utilisez le framework ONNX pour importer les modèles d'intégration de votre choix et utilisez-les pour générer des vecteurs pour vos données, ou utilisez des API de base de données pour générer des vecteurs à partir de votre service d'intégration préféré, y compris les conteneurs NVIDIA NIM. Vous avez également la possibilité d'importer des vecteurs directement dans la base de données.

Importer des modèles préentraînés au format ONNX pour la génération de vecteurs dans la base de données

SQL standard simple pour l'interrogation des vecteurs

Utilisez du code SQL simple et intuitif pour effectuer une recherche de similarités sur les vecteurs et combinez librement des vecteurs avec des types de données relationnels, textuels, JSON et autres dans la même requête.

Utiliser des fonctions SQL pour les opérations de vecteur

Combinaison transparente de données vectorielles d'IA et de données commerciales

Combinez la recherche sophistiquée de données d'entreprise avec la recherche de similarité vectorielle d'IA à l'aide d'un SQL simple et intuitif et de toute la puissance d'une base de données convergée (JSON, graphique, texte, relationnel, spatial, etc.), le tout au sein d'une seule requête.

Compatibilité JSON avec le type de données VECTOR

Index vectoriels

Accélérez les recherches de similarités à l'aide d'index de recherche approximatifs très précis (index vectoriels), tels que l'index de graphe de voisin en mémoire pour des performances maximales et les index de partition de voisin pour des jeux de données volumineux.

Gérer les différentes catégories d'index vectoriels

Index vectoriels hybrides

Indexez et interrogez des documents à l'aide d'une combinaison de recherche de texte intégral et de recherche sémantique vectorielle pour améliorer l'expérience de recherche globale et fournir aux utilisateurs des informations plus précises.

Gérer les index vectoriels hybrides

Spécification de précision de recherche simple

Indiquez la précision de la recherche cible sous forme de pourcentage simple au lieu d'être requis pour spécifier des paramètres algorithmiques avancés. Définissez la précision par défaut lors de la création de l'index et remplacez-la dans les requêtes de recherche si nécessaire.

Déterminer la précision de vos index vectoriels

Alimentez la génération augmentée de récupération

Améliorez les interactions avec les grands modèles de langage (LLM) en fournissant des données privées spécifiques au contexte afin d'améliorer la précision des réponses grâce à une combinaison de recherche de similarité et de recherche de données d'entreprise. Enrichissez davantage la génération augmentée par extraction (RAG) à l'aide de critères métier intégrés, tels que les filtres de sécurité, les indicateurs métier et les règles métier.

Utiliser la génération augmentée par extraction pour compléter les LLM

Sécurité de pointe

Oracle AI Vector Search s'intègre en toute transparence aux fonctionnalités de sécurité de bases de données leaders du secteur d'Oracle pour réduire les risques et simplifier la conformité. En tirant parti d'outils robustes, tels que le chiffrement, le masquage des données, les contrôles d'accès des utilisateurs privilégiés, la surveillance des activités et l'audit, les entreprises peuvent sécuriser leurs données tout en tirant pleinement parti des fonctionnalités avancées de recherche par IA.

Sécurité des bases de données

Prise en charge d'un vivier d'IA générative complet

Effectuez tous les aspects du vivier d'IA générative à l'aide d'API de base de données natives de bout en bout, ce qui permet aux développeurs de créer plus facilement des applications d'IA nouvelle génération à l'aide de leurs données métier, le tout directement dans la base de données.

Intégration d'Oracle AI Vector Search avec LlamaIndex

AI Vector Search avec une suite complète de machine learning

Gérez un large éventail de cas d'usages de l'IA impliquant des actions de machine learning (décisions, prédictions, classification, prévisions, etc.) combinées à la puissance de la recherche vectorielle basée sur l'IA. Par exemple, il est facile de combiner l'inférence et la classification avec la recherche vectorielle Oracle AI dans la même requête SQL.

Oracle Machine Learning

Optimisations d'Exadata

Accélérez la création et la recherche d'index vectoriels grâce aux optimisations d'Exadata System Software 24ai. Bénéficiez des performances, de l'évolutivité et de la disponibilité élevées qu'Exadata fournit aux bases de données d'entreprise.

Mémoire vectorielle élastique

Les index vectoriels HNSW (Hierarchical navigable small world) résident dans la mémoire de la base de données. La création d'un index HNSW dépend de la taille adéquate de la mémoire pour l'adapter, et les modifications ultérieures apportées à la table de base sous-jacente peuvent modifier la taille de l'index HNSW. Avec Elastic Vector Memory, la mémoire de la base de données se redimensionne automatiquement pour prendre en charge tous les index HNSW de manière dynamique.

En savoir plus sur la mémoire vectorielle élastique

Fonctions de distance vectorielle personnalisées

Les opérations de recherche vectorielle sont souvent basées sur des mesures de distance standard, telles que l'euclidien, la cosine et le produit par points. Toutefois, dans certains cas, des mesures propres au domaine ou propriétaires sont requises. Les fonctions de distance vectorielle définies par l'utilisateur permettent aux utilisateurs de créer leurs propres mesures personnalisées.

En savoir plus sur les fonctions de distance vectorielle personnalisées

Prise en charge des vecteurs dispersés

Les vecteurs dispersés sont des vecteurs qui ont généralement un grand nombre de dimensions, mais seules quelques-unes de ces dimensions ont des valeurs non nulles. Comme les vecteurs dispersés stockent uniquement des valeurs non nulles, leur utilisation peut améliorer l'efficacité et économiser de l'espace de stockage. La prise en charge native en PL/SQL permet de créer et d'utiliser des vecteurs dispersés directement à partir de PL/SQL. Les vecteurs dispersés peuvent également être indexés à l'aide d'index vectoriels hiérarchiques de petit monde navigable (HNSW), offrant en une seule unité tous les avantages en matière de vitesse, de précision et d'optimisation de l'espace.

En savoir plus sur la prise en charge des vecteurs dispersés