Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 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 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 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 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 сделать полнотекстовый поиск ChromaDB через where_document и regex
Лексический фильтр ChromaDB: $contains, $not_contains, $regex, $not_regex, сочетание с semantic query и проверка русских кодов.
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 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 сделать Generative Search RAG в Weaviate с проверяемыми источниками
Weaviate generate.near_text: grouped_task, grouped_properties, limit, generative provider, source IDs, отказ при пустом контексте и критерии groundedness.
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 сделать семантический поиск через Ollama embeddings локально
Локальный поиск по смыслу через Ollama embeddings: чанки, API, cosine similarity и тест релевантности.
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 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 сделать поиск по документам с RAG: от файлов до проверяемого ответа
Понятный план RAG-системы: очистка документов, разбиение текста, embeddings, поиск фрагментов и ответы со ссылками.
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.
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 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 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 text_embedding ingest pipeline в OpenSearch
Автоматическая генерация embeddings при ingest: deployed model_id, field_map, default_pipeline, dimension, simulate и контроль ошибок.
Как включить on_disk и compression_level для vectors в OpenSearch
Режимы in_memory и on_disk, compression_level 1x–32x, mapping 16x, oversampling/rescoring и проверка recall, latency и RAM.