Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
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 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 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 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 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 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 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 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.
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 OpenSearch через Bulk API без частичных потерь
Правильный NDJSON для _bulk, стабильные _id, проверка errors и каждого item, refresh только для теста и сверка manifest после загрузки.
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.
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 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 LanceDB с RRFReranker
Объединение vector search и FTS в LanceDB, query_type=hybrid, RRFReranker, normalize, фильтр обеих ветвей и оценка nDCG.
Как настроить Hybrid Search Milvus: RRF или WeightedRanker
Несколько AnnSearchRequest в Milvus, объединение dense и sparse результатов, RRFRanker, WeightedRanker, gold-набор и сравнение сценариев.
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 создать Preset в OpenRouter и вынести конфигурацию модели из кода
Preset как версионируемая конфигурация: модель, fallback, системный prompt, routing и параметры; вызов через @preset/slug и тест обновления.
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 создать коллекцию Milvus со схемой и векторным индексом
Явная схема Milvus: INT64 primary key, VARCHAR, FLOAT_VECTOR с dimension, AUTOINDEX, COSINE и проверка конфигурации коллекции.