Desde la presentación de ChatGPT, la Búsqueda mediante Vector Similarity ha ido ganando reconocimiento. En su núcleo, VSS permite a los programadores hacer consultas y recuperar información sobre datos no estructurados (por ejemplo, audio, texto, imágenes, video…).
Con los avances en deep learning, los data scientists pueden construir modelos para transformar casi cualquier entidad de datos en su representación vectorial. Una entidad podría ser una transacción, un perfil de usuario, una imagen, un audio, un texto largo (frase o párrafo), una serie temporal o un gráfico. Cualquiera de estos se puede convertir en su “feature vector”, también conocido como “embeddings”. Estos embeddings capturan las características más esenciales de una entidad de manera que las computadoras y las bases de datos pueden hacer compararaciones fácilmente. La más interesante aquí es que si un modelo genera dos embeddings similares (vectores) para dos entidades, se puede inferir que las dos entidades originales son similares de alguna manera fundamental.
Como base de datos versátil, Redis almacena, indexa y consulta datos vectoriales. Permite a los desarrolladores almacenar un vector tan fácilmente como cualquier otro campo en un hash de Redis o JSON. Luego, gracias al módulo RediSearch, proporciona capacidades de indexación y búsqueda avanzadas necesarias para realizar búsquedas de baja latencia en espacios vectoriales grandes, que suelen oscilar entre decenas de miles y cientos de millones de vectores distribuidos en varios sistemas.
Ponente del evento
Virgilio Sanz
Solution Architect
Redis
