Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как выбрать cosine, dotProduct или euclidean в MongoDB Vector Search
Сравнение трёх similarity по контракту embedding-модели, нормализации, ranking, exact baseline и миграции через новый индекс.
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 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 фильтровать MongoDB Vector Search по tenant и visibility до поиска
Безопасный pre-filter в $vectorSearch, filter fields в индексе, ACL с backend identity и отрицательный тест межклиентской утечки.
Как выбрать cosine или euclidean для Neo4j Vector Search
Сравнение similarity functions Neo4j по model card, нормализации, exact vector functions, Recall@10 и безопасной миграции индекса.
Как выполнить семантический поиск MongoDB через $vectorSearch
Рабочий aggregation pipeline с index, path, queryVector, numCandidates, limit, vectorSearchScore и исключением embedding из ответа.
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 сделать exact vector search в MongoDB и получить эталон для ANN
ENN-запрос с exact:true, тот же index/path/filter, сохранение exact top-k и расчёт Recall@10 для проверки approximate search.
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 настроить numCandidates в MongoDB Vector Search по Recall@10 и p95
Проверяемая сетка numCandidates для фиксированного limit: exact baseline, Recall@10, p95/p99, QPS, фильтры и выбор по SLO.
Как обновить индекс MongoDB Vector Search без простоя и потери отката
Versioned index и embedding field, rebuild-поведение, backfill, dual read, canary, проверка готовности и безопасное удаление старой версии.
Как включить scalar или binary quantization в MongoDB Vector Search
Индекс с quantization, сравнение float/scalar/binary, full-fidelity rescoring, Recall@10, p95, RAM и disk без обещаний на чужом benchmark.
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 загрузить embeddings в MongoDB без дублей и смешивания моделей
Схема документов, стабильные _id, model_id, dimension-check, bulkWrite с upsert и сверка manifest перед запуском MongoDB Vector Search.
Как искать по vectors в Neo4j через SEARCH и возвращать SCORE
Актуальный Cypher 25 SEARCH: VECTOR INDEX, параметр queryVector, LIMIT, SCORE, source_id и проверка top-k без устаревшей процедуры.
Как настроить none, scalar или binary quantization в Neo4j Vector Search
Neo4j 2026.08: vector.quantization.type, default binary, search expansion, rescoring и честное сравнение recall, p95 и памяти.
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 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 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 объединить full-text и vector search в Neo4j через RRF
Hybrid retrieval для точных кодов и смысла: независимые ранги, Reciprocal Rank Fusion, одинаковый ACL и сравнение lexical/vector/hybrid по nDCG@10.