Embeddings are stored | in a vector database | by first converting data,
Các embedding được lưu trữ | trong cơ sở dữ liệu vector | bằng cách trước tiên chuyển đổi dữ liệu,
such as text, | images, or audio, | into high-dimensional vectors using
chẳng hạn như văn bản, | hình ảnh hoặc âm thanh, | thành các vector đa chiều bằng cách sử dụng
machine learning models. | These vectors, also | called embeddings, capture the
các mô hình học máy. | Các vector này, còn | được gọi là embedding, nắm bắt các
semantic relationships and | patterns within the | data. | Once generated, each
mối quan hệ ngữ nghĩa và | các mẫu hình bên trong | dữ liệu. | Sau khi được tạo, mỗi
embedding is indexed | in the vector | database along with its
embedding được lập chỉ mục | trong cơ sở dữ liệu | vector cùng với các
associated metadata, such | as the original | data (e.g., text or
siêu dữ liệu liên quan, chẳng hạn | như dữ liệu gốc | (ví dụ: văn bản hoặc
image) or an | identifier. | The vector database | then organizes these embeddings
hình ảnh) hoặc một | định danh. | Cơ sở dữ liệu vector | sau đó tổ chức các embedding này
to support efficient | similarity searches, typically | using techniques like approximate
để hỗ trợ các tìm kiếm | tương đồng hiệu quả, thường | sử dụng các kỹ thuật như láng giềng
nearest neighbor (ANN) | search. |
gần đúng (ANN) | tìm kiếm. |
Resources
References
- https://roadmap.sh/ai-engineer (Node: Indexing Embeddings)
← MongoDB Atlas · AI Engineer Roadmap · Performing Similarity Search →