Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 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 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 сделать Hybrid Search в Elasticsearch через BM25, kNN и RRF
Две retrieval-ветви, Reciprocal Rank Fusion, общий tenant filter, rank_window_size, конкретный JSON и оценка nDCG@10.
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 включить BM25 Full Text Search в Milvus
Нативный полнотекстовый поиск Milvus 2.5+: analyzer, VARCHAR, SPARSE_FLOAT_VECTOR, FunctionType.BM25, индекс и проверка русских терминов.
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 M, EF_CONSTRUCTION и EF_RUNTIME для HNSW в Redis
Пошаговый benchmark HNSW Redis: build-параметры M и EF_CONSTRUCTION, query-параметр EF_RUNTIME, Recall@10, p95 и память.
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 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 фильтровать k-NN поиск OpenSearch по tenant и visibility
Filter внутри knn query, применимость Lucene/Faiss, безопасный tenant ACL, top-k и отрицательный тест на межклиентскую утечку.
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 настроить kNN Search в Elasticsearch: k и num_candidates
Рабочий запрос approximate kNN, связь k и num_candidates, HNSW, source filtering и измерение Recall@10 против exact baseline.
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 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.
Почему Redis KNN возвращает мало результатов при фильтрации
Pre-filter в Redis Vector Search: TAG и NUMERIC до KNN, escaping tenant, проверка количества разрешённых документов и безопасный отказ.
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 гибридный поиск Qdrant: dense, sparse и RRF
Гибридный поиск Qdrant через named vectors, prefetch и Reciprocal Rank Fusion: точные артикулы, смысловые запросы, проверка Recall@k и p95.
Как настроить поиск Qdrant через Query API и измерить Recall@k
Поиск ближайших соседей через query_points: limit, with_payload, exact baseline, gold-набор, Recall@k и защита RAG от нерелевантного контекста.
Как настроить векторный поиск Milvus и измерить Recall@k
Milvus search: anns_field, COSINE, limit, output_fields, параметры поиска, gold-набор и калибровка качества до подключения RAG.