Choix de bases de données vectorielles dans le moteur RAG

Cette page présente les bases de données vectorielles compatibles avec le moteur RAG. Vous pouvez également découvrir comment connecter une base de données vectorielle (magasin de vecteurs) à votre corpus RAG.

Les bases de données vectorielles jouent un rôle crucial dans la récupération pour les applications RAG. Les bases de données vectorielles offrent un moyen spécialisé de stocker et d'interroger des embeddings vectoriels, qui sont des représentations mathématiques de texte ou d'autres données qui capturent la signification sémantique et les relations. Les embeddings vectoriels permettent aux systèmes RAG de trouver rapidement et précisément les informations les plus pertinentes dans une vaste base de connaissances, même lorsqu'ils traitent des requêtes complexes ou nuancées. Lorsqu'elles sont combinées à un modèle d'embedding, les bases de données vectorielles peuvent aider à surmonter les limites des LLM et à fournir des réponses plus précises, pertinentes et complètes.

Bases de données vectorielles compatibles

Lors de la création d'un corpus RAG, le moteur RAG propose RagManagedDb, une base de données vectorielle prête pour l'entreprise, qui ne nécessite aucun provisionnement ni aucune gestion supplémentaires. RagManagedDb propose des options de recherche KNN et ANN, et permet de passer à un niveau de base pour un prototypage et des tests rapides. Pour en savoir plus sur le choix d'une stratégie de récupération sur RagManagedDb ou sur la mise à jour du niveau, consultez Utiliser RagManagedDb avec RAG. Pour que le moteur RAG crée et gère automatiquement la base de données vectorielle, consultez Ressource REST : projects.locations.ragCorpora.

En plus de la base de données RagManagedDb par défaut, le moteur RAG vous permet de provisionner et d'utiliser votre base de données vectorielle dans votre corpus RAG. Dans ce cas, vous êtes responsable du cycle de vie et de l'évolutivité de votre base de données vectorielle.

Comparer les options de base de données vectorielle

Ce tableau liste les bases de données vectorielles compatibles avec le moteur RAG et fournit des liens vers des pages expliquant comment utiliser les bases de données vectorielles dans votre corpus RAG.

Base de données vectorielle   Avantages   Utilisation recommandée Inconvénients Métriques de distance acceptées Type de recherche Étape de lancement
RagManagedDb (par défaut) est un service de base de données évolutif distribué à l'échelle régionale qui offre une cohérence et une disponibilité très élevées, et qui peut être utilisé pour une recherche vectorielle. facile simple rapide
  • Aucune configuration requise.
  • Convient aux cas d'utilisation à petite échelle et à l'échelle de l'entreprise.
  • Très forte cohérence.
  • Haute disponibilité.
  • Faible latence.
  • Excellent pour les charges de travail transactionnelles.
  • CMEK activé.
  • Générer des documents en grand volume.
  • Créer un RAG à l'échelle de l'entreprise.
  • Développer une démonstration de faisabilité rapide
  • Faibles coûts de provisionnement et de maintenance.
  • Utilisation avec des chatbots
  • Créer des applications RAG
  • Pour un rappel optimal, la fonctionnalité ANN nécessite que l'index soit recréé après des modifications majeures de vos données.
 cosine KNN (par défaut) et ANN Disponibilité générale
Vector Search est le service de base de données vectorielle d'Agent Platform optimisé pour les tâches de machine learning.
  • Intégration à d'autres services Google Cloud .
  • L'évolutivité et la fiabilité sont assurées par l'infrastructure Google Cloud .
  • Utilise la tarification à l'usage.
  • Générer des documents en grand volume.
  • Créer un RAG à l'échelle de l'entreprise.
  • Gérer l'infrastructure de la base de données vectorielle.
  • Clients Google Cloud existants ou toute personne souhaitant utiliser plusieurs services Google Cloud .
  • Les modifications ne sont pas prises en compte immédiatement.
  • Dépendance vis-à-vis d'un fournisseur avec Google Cloud.
  • Peut être plus coûteux selon vos cas d'utilisation.
 cosine

dot-product		 ANN Disponibilité générale
Feature Store sur Gemini Enterprise Agent Platform est un service géré permettant d'organiser, de stocker et de diffuser des caractéristiques de machine learning.
  • S'intègre à Gemini Enterprise Agent Platform et à d'autres services Google Cloud .
  • L'évolutivité et la fiabilité sont assurées par l'infrastructure Google Cloud .
  • Exploite l'infrastructure BigQuery existante.
  • Générer des documents en grand volume.
  • Créer un RAG à l'échelle de l'entreprise.
  • Gérer l'infrastructure de la base de données vectorielle.
  • Clients Google Cloud existants ou clients souhaitant utiliser plusieurs services Google Cloud .
  • Les modifications ne sont disponibles dans la boutique en ligne qu'après une synchronisation manuelle.
  • Dépendance vis-à-vis d'un fournisseur avec Google Cloud.
 cosine

dot-product

L2 squared		 ANN Aperçu
Weaviate est une base de données vectorielle Open Source flexible et modulaire.
  • Compatible avec différents types de données et offre des fonctionnalités de graphe intégrées.
  • Fournit une solution Open Source et une communauté dynamique.
  • Hautement flexible et personnalisable.
  • Il est compatible avec différents types de données et modules pour différentes modalités, comme le texte et les images.
  • Vous pouvez choisir parmi des fournisseurs de services cloud tels que Google Cloud, AWS et Azure.
  • Générer des documents en grand volume.
  • Créer un RAG à l'échelle de l'entreprise.
  • Gérer l'infrastructure de la base de données vectorielle.
  • Clients Weaviate existants.
  • Les modifications ne sont pas prises en compte immédiatement.
  • Peut être plus complexe à configurer et à gérer.
  • Les performances peuvent varier en fonction de la configuration.
 cosine

dot-product

L2 squared

hamming

manhattan		 Compatibilité avec la recherche ANN et hybride Aperçu
Pinecone est une base de données vectorielle entièrement gérée et cloud native, conçue pour une recherche de similarités hautes performances.
  • Lancez-vous rapidement.
  • Excellentes évolutivité et performances.
  • Concentrez-vous sur la recherche vectorielle avec des fonctionnalités avancées telles que le filtrage et la recherche de métadonnées.
  • Vous pouvez choisir parmi des fournisseurs de services cloud tels que Google Cloud, AWS et Azure.
  • Générer des documents en grand volume.
  • Créer un RAG à l'échelle de l'entreprise.
  • Gérer l'infrastructure de la base de données vectorielle.
  • Clients Pinecone existants.
  • Les modifications ne sont pas prises en compte immédiatement.
  • Peut s'avérer plus coûteux que d'autres options.
  • Les quotas et les limites restreignent l'évolutivité et les performances.
  • Contrôle limité sur l'infrastructure sous-jacente.
 cosine

euclidean

dot-product		 ANN Disponibilité générale

Étapes suivantes