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 essentiel dans la récupération pour les applications RAG. Les bases de données vectorielles offrent un moyen spécialisé de stocker et d'interroger les embeddings vectoriels, qui sont des représentations mathématiques de texte ou d'autres données qui capturent la signification et les relations sémantiques. 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'il s'agit de requêtes complexes ou nuancées. 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

Lorsque vous créez un corpus RAG, le moteur RAG propose RagManagedDb, une base de données vectorielle adaptée aux entreprises, comme base de données vectorielle par défaut. Aucune gestion ni aucun provisionnement supplémentaires ne sont nécessaires. 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 savoir comment choisir une stratégie de récupération sur RagManagedDb ou comment modifier le niveau, consultez Utiliser RagManagedDb avec RAG. Pour que le moteur RAG crée et gère automatiquement la base de données vectorielle pour vous, 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 la scalabilité de votre base de données vectorielle.

Comparer les options de base de données vectorielles

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

Base de données vectorielle   Avantages   Recommandé pour   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 la recherche vectorielle. easy simple fast quick
  • Aucune configuration n'est requise.
  • Convient aux cas d'utilisation à l'échelle de l'entreprise et à petite échelle.
  • Cohérence très élevée.
  • Haute disponibilité.
  • Faible latence.
  • Excellent pour les charges de travail transactionnelles.
  • CMEK activé.
  • Génération de documents à fort volume.
  • Créer un système RAG à l'échelle de l'entreprise.
  • Développer une démonstration de faisabilité rapide.
  • Fournir des frais généraux de provisionnement et de maintenance faibles.
  • Utilisation avec des chatbots
  • Créer des applications RAG
  • Pour un rappel optimal, la fonctionnalité ANN exige que l'index soit reconstruit après des modifications majeures apportées à vos données.
cosine KNN (par défaut) et ANN Disponibilité générale
Vector Search est le service de base de données vectorielles d'Agent Platform, optimisé pour les tâches de machine learning.
  • S'intègre à d'autres services Google Cloud .
  • L'évolutivité et la fiabilité sont assurées par l'infrastructure Google Cloud .
  • Utilise la tarification à l'usage.
  • Génération de documents à fort volume.
  • Créer un système 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 Google Cloud services.
  • Les modifications ne sont pas immédiatement prises en compte.
  • Dépendance vis-à-vis d'un fournisseur avec Google Cloud.
  • Peut s'avérer plus coûteux selon vos cas d'utilisation.
cosine

dot-product
ANN Disponibilité générale
Vertex AI Feature Store 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.
  • Génération de documents à fort volume.
  • Créer un système 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 Google Cloud services.
  • 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 offrant des fonctionnalités graphiques intégrées.
  • Fournit une plate-forme Open Source et une communauté dynamique.
  • Ils sont très flexibles et personnalisables.
  • Il est compatible avec différents types de données et modules pour différentes modalités, comme le texte et les images.
  • Vous pouvez choisir parmi les fournisseurs de services cloud, tels que Google Cloud, AWS et Azure.
  • Génération de documents à fort volume.
  • Créer un système RAG à l'échelle de l'entreprise.
  • Gérer l'infrastructure de la base de données vectorielle.
  • Clients Weaviate existants
  • Les modifications ne sont pas immédiatement prises en compte.
  • 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 ANN et la recherche hybride Aperçu
Pinecone est une base de données vectorielles cloud native et entièrement gérée, conçue pour la recherche de similarités hautes performances.
  • Lancez-vous rapidement.
  • Excellente évolutivité et excellentes performances.
  • Concentrez-vous sur la recherche vectorielle avec des fonctionnalités avancées telles que le filtrage et la recherche de métadonnées.
  • Vous pouvez choisir parmi les fournisseurs de services cloud, tels que Google Cloud, AWS et Azure.
  • Génération de documents à fort volume.
  • Créer un système RAG à l'échelle de l'entreprise.
  • Gérer l'infrastructure de la base de données vectorielle.
  • Clients Pinecone existants
  • Les modifications ne sont pas immédiatement prises en compte.
  • 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