向量数据库

向量数据库是一种专门的数据库，旨在存储、管理和搜索称为向量嵌入的高维数据。与针对结构化数据和精确匹配进行优化的传统关系数据库不同，向量数据库擅长根据项目的相似性查找项目。这种能力是各种现代人工智能应用（从推荐引擎到视觉搜索）的基础，使其成为机器学习基础设施中的关键组件。它们充当人工智能模型的长期记忆，使它们能够利用训练期间学习的复杂模式。

向量数据库的工作原理

向量数据库的核心功能是高效地执行向量搜索。该过程从非结构化数据（例如图像、文本块或音频剪辑）通过深度学习模型以创建称为向量嵌入的数字表示时开始。这些嵌入捕获原始数据的语义。

然后，向量数据库存储这些嵌入，并使用专门的算法对其进行索引。当发出查询时（例如，使用图像进行搜索），查询数据也会转换为向量。然后，数据库使用相似性指标（如余弦相似度或欧几里得距离）将此查询向量与存储的向量进行比较，以找到“最近”或最相似的项目。为了以数百万或数十亿个向量的规模执行此操作，它们通常依赖于高效的近似最近邻 (ANN)算法。

实际应用

向量数据库为用户每天交互的许多智能功能提供支持。

1. 电商中的视觉搜索： 用户可以上传他们喜欢的产品照片。计算机视觉模型（例如 Ultralytics YOLO11 模型）会为该图像生成嵌入向量。此嵌入向量用于查询电子商务网站的向量数据库，该数据库包含其整个产品目录的嵌入向量。数据库返回最相似的向量，使网站能够显示视觉上相同或风格相关的产品，这是零售业人工智能中的一个关键功能。
2. 文档的语义搜索： 公司可以为其所有内部文档（如报告和支持票证）创建嵌入。然后，员工可以使用自然语言问题（如“我们上个季度的利润是多少？”）而不是特定关键词进行搜索。自然语言处理 (NLP)模型将此查询转换为嵌入，并且向量数据库会查找其嵌入在语义上最接近的文档，从而提供相关信息，即使确切的措辞不匹配。这是检索增强生成 (RAG)系统的核心组件。

向量数据库 vs. 相关概念

区分向量数据库和密切相关的术语是有帮助的：

• 嵌入： 嵌入是数据的向量表示。向量数据库是专门构建的系统，旨在高效地存储、索引和查询这些嵌入。可以将嵌入视为书籍，而将向量数据库视为组织它们的智能图书馆。
• 向量搜索： 向量搜索是在数据集中查找最相似向量的过程。向量数据库是使此过程快速且可扩展的底层技术，尤其适用于实时推理。

这些组件作为完整的 MLOps 工作流程的一部分进行管理，通常由 Ultralytics HUB 等平台促进，以实现端到端的模型和数据集管理。

流行的向量数据库

有几种开源和商业向量数据库可用，每种数据库在可扩展性、部署和功能方面都有不同的优势。其中一些最广泛使用的包括：

• Pinecone: 一种流行的、完全托管的向量数据库服务。
• Milvus：一款为高性能和可扩展性设计的开源向量数据库。
• Weaviate: 一种具有图功能的开源、AI 原生数据库。
• Chroma DB：一个专注于简单性和开发者体验的开源嵌入数据库。
• Qdrant: 一种开源向量数据库和相似性搜索引擎，使用 Rust 编写，具有高性能和安全性。