Questa pagina descrive come Memorystore for Redis supporta l'archiviazione e l'interrogazione di dati vettoriali per applicazioni di AI generativa, come Retrieval Augmented Generation (RAG) e LangChain, utilizzando le funzionalità di ricerca vettoriale.
Utilizzare la ricerca vettoriale per l'AI generativa con LangChain
La ricerca vettoriale su Memorystore for Redis è compatibile con il framework LLM open source LangChain. L'utilizzo della ricerca vettoriale con LangChain ti consente di creare soluzioni per i seguenti casi d'uso:
- RAG
- Cache LLM
- Motore per suggerimenti
- Ricerca semantica
- Ricerca di immagini simili
Vantaggi della ricerca vettoriale per l'AI generativa in Memorystore for Redis
Il vantaggio di utilizzare Memorystore per archiviare i dati di AI generativa, rispetto ad altri database, è la velocità. La ricerca vettoriale su Memorystore for Redis sfrutta query multithread, con conseguente throughput di query (QPS) elevato a bassa latenza. Google Cloud
Approcci all'utilizzo della ricerca vettoriale per l'AI generativa in Memorystore for Redis
Memorystore fornisce anche due approcci di ricerca distinti per aiutarti a trovare il giusto equilibrio tra velocità e accuratezza. L'opzione Hierarchical
Navigable Small World (HNSW) offre risultati rapidi e approssimativi, ideale
per set di dati di grandi dimensioni in cui è sufficiente una corrispondenza molto ravvicinata. Se hai bisogno di una precisione assoluta, l'approccio FLAT produce risposte esatte, anche se potrebbe richiedere un po' più di tempo per l'elaborazione.
Se vuoi ottimizzare la tua applicazione per la massima velocità di lettura e scrittura dei dati vettoriali, Memorystore for Redis è probabilmente l'opzione migliore per te.