Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как восстановить индекс Pinecone из backup и проверить данные
Serverless backup как некверируемая копия, create_index_from_backup, новое имя, сохранение dimension/metric/embed config, readiness и контрольный поиск.
Как создать индекс Pinecone со встроенной embedding-моделью
Создание serverless index через create_index_for_model: cloud, region, hosted embedding model, field_map, ожидание готовности и контрольный поиск.
Как импортировать большой датасет в Pinecone из object storage
Bulk import из S3, GCS или Azure Blob: serverless index, storage integration, Parquet или JSONL, директории namespaces, error_mode и polling.
Как восстановить версию таблицы LanceDB и сохранить воспроизводимость
Автоматические версии LanceDB, list_versions, checkout, restore, checkout_latest, tags и безопасная проверка rollback перед cleanup.
Как настроить HNSW-индекс ChromaDB и измерить Recall
HNSW configuration ChromaDB: space, ef_construction, ef_search, max_neighbors, build_threads, resize_factor и тест качества/скорости.
Как сохранить и загрузить индекс LlamaIndex после перезапуска
persist_dir, StorageContext и load_index_from_storage с проверкой, что после рестарта не выполняется новая индексация.
Как фильтровать результаты Pinecone по metadata без утечки данных
Metadata filters Pinecone: $eq, $in, $gt, $and, типы полей, integrated text search, negative tests и проверка, что запрещённые документы не попали в top_k.
Как разделить арендаторов Pinecone через namespaces
Один namespace на tenant в serverless index: upsert, query, offboarding, защита от подмены namespace и отрицательный тест межклиентской изоляции.
Как создать incremental backup Weaviate и проверить восстановление
Полный и incremental backup Weaviate: backend, backup_id, include_collections, wait_for_completion, цепочка base backup, restore и контроль объектов.
Как уменьшить индекс pgvector через halfvec и binary quantization
Сравнение vector, halfvec и bit-индексов, expression index, Hamming candidates, reranking исходными embeddings и проверка recall.
Как измерить Recall@10 Elasticsearch kNN против exact vector search
Воспроизводимый benchmark approximate kNN: exact ground truth, одинаковый snapshot, k, num_candidates, filters, shards и p95.
Как измерить Recall@10 и p95 MongoDB Vector Search на своём датасете
Воспроизводимый benchmark MongoDB: exact ENN ground truth, ANN candidate grid, filters, concurrency, Recall@10, nDCG@10 и tail latency.
Как создать и восстановить snapshot Qdrant без потери данных
Резервная копия коллекции Qdrant: create_snapshot, скачивание, checksum, совместимость версий, recover_snapshot, priority и контроль points и поиска.
Как создать индекс MongoDB Vector Search и не ошибиться с numDimensions
Практический индекс vectorSearch через createSearchIndex: vector и filter fields, numDimensions, similarity, статус индекса и отрицательный тест.
Как измерить Recall@k поиска через InformationRetrievalEvaluator
Готовим queries, corpus и relevant_docs, проверяем golden IDs и сравниваем качество модели до смены индекса.
Как задать embedding-модель локально в LlamaIndex и не смешать индексы
Settings как глобальный fallback и локальный embed_model для конкретного индекса с тестом на совместимость после перезапуска.
Как добавить rerank в RAG через Pinecone Inference
Rerank shortlist через bge-reranker-v2-m3: query, documents, top_n, rank_fields, return_documents, score, Recall@k и проверка связи с исходными ID.
Как измерить Recall@10 и p95 для k-NN поиска OpenSearch
Воспроизводимый ANN benchmark: exact script_score baseline, frozen snapshot, segments, shards, k, filters, Recall@10 и latency percentiles.
Как настроить гибридный поиск Pinecone для артикулов и смысла
Сравнение dense, full-text BM25, sparse+dense и Reciprocal Rank Fusion: проверяемые параметры, контроль артикула, semantic query и выбор архитектуры.
Как настроить семантический поиск Pinecone и проверить Recall@k
Semantic search по тексту или вектору: тот же namespace, top_k, metadata, gold-набор, Recall@k и защита RAG от нерелевантного контекста.