Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как выбрать COSINE, L2 или IP для Redis Vector Search
Контракт embedding-модели, нормализация, distance вместо similarity, пороги и тест выбора COSINE, L2 или IP в Redis.
Как выбрать similarity для dense_vector: cosine, dot_product или L2
Проверяемые требования Elasticsearch к cosine, dot_product, l2_norm и max_inner_product, нормализация и score formulas.
Как выбрать метрику pgvector: cosine, L2 или inner product
Операторы <=>, <-> и <#>, преобразование distance в similarity, нормализованные embeddings и точный baseline для RAG.
Как выбрать FLAT или HNSW для векторного поиска Redis
Сравнение exact FLAT и approximate HNSW в Redis: recall, latency, память, build time и воспроизводимый benchmark на одном корпусе.
Как выполнить KNN-поиск в Redis через FT.SEARCH и DIALECT 2
Рабочий KNN-запрос Redis: бинарный query vector, PARAMS, distance alias, SORTBY, RETURN, LIMIT и проверка top-k.
Как выбрать Lucene или Faiss для Vector Search в OpenSearch
Сравнение Lucene HNSW, Faiss HNSW/IVF и deprecated NMSLIB по фильтрам, training, масштабу, памяти, indexing и recall.
Как выполнить exact vector search в Elasticsearch через script_score
Brute-force scoring без ANN cutoff, filter для уменьшения набора, exact top-k как ground truth и сравнение с approximate kNN.
Как загрузить embeddings в Redis через pipeline и не потерять документы
Redis JSON и redis-py pipeline: стабильные ключи, проверка EXEC, FLOAT32, manifest, FT.INFO и безопасный повтор загрузки.
Как выполнить exact k-NN в OpenSearch через script_score
Brute-force knn_score, предварительный tenant filter, query_value, space_type и exact top-k как ground truth для проверки ANN recall.
Как создать knn_vector индекс OpenSearch с HNSW без ошибки dimension
Проверяемый mapping OpenSearch: index.knn, knn_vector, dimension, cosinesimil, Lucene HNSW и отрицательный тест несовместимого embedding.
Как искать vectors в Redis по радиусу через VECTOR_RANGE
VECTOR_RANGE вместо фиксированного top-k: radius parameter, yield_distance_as, epsilon, сортировка и калибровка порога отказа.
Как настроить vector search LanceDB и измерить Recall@k
L2, cosine, dot и hamming в LanceDB, exact scan, ANN, nprobes, refine_factor, distance_range и проверка качества индекса.
Как сделать гибридный поиск Redis по тексту, фильтрам и vectors
Один FT.SEARCH объединяет TEXT, TAG и KNN: безопасный tenant pre-filter, PARAMS, distance, baselines и оценка hybrid retrieval.
Как создать text_embedding ingest pipeline в OpenSearch
Автоматическая генерация embeddings при ingest: deployed model_id, field_map, default_pipeline, dimension, simulate и контроль ошибок.
Как сделать hybrid search в pgvector: PostgreSQL FTS и RRF
Две независимые выдачи pgvector и tsvector, Reciprocal Rank Fusion, tenant filter, конкретный SQL и оценка nDCG@10.
Как настроить HNSW в pgvector и подобрать ef_search по Recall@10
Создание HNSW-индекса, m, ef_construction, ef_search, SET LOCAL и честное сравнение ANN с exact search.
Как настроить Hybrid Search OpenSearch через normalization-processor
BM25 плюс k-NN, min_max/L2/z_score, weights, search pipeline, общие ACL-фильтры и оценка nDCG@10 на трёх baselines.
Как создать dense_vector mapping в Elasticsearch без ошибки размерности
Явный mapping dense_vector: dims, similarity, index_options, single-valued поле и отрицательный тест несовместимого embedding.
Как настроить Vector Quantization в OpenSearch и проверить потерю recall
Byte, binary, Lucene/Faiss scalar и product quantization: mapping, ограничения engine, compression, rescoring и честный Recall@10.
Как создать векторный индекс Redis для JSON-документов через HNSW
Практический FT.CREATE ON JSON: PREFIX, JSONPath, DIM, FLOAT32, COSINE, HNSW и отрицательный тест размерности embedding.