#milvus — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #milvus, aggregated by home.social.
-
Databases for #AI: Should you use a vector #database? 🤔
This article compares #opensource projects competing to handle modern #AI workloads, including #machinelearning and #LLMs. Discover which databases best meet today’s AI challenges: https://lpi.org/636x
(Disclaimer: This post contains an AI-generated image.)
#AndyOram #AI #vectordatabase #machinelearning #LLMs #SQL #opensource #hybridsearch #generativeAI #MariaDB #MongoDB #Milvus #Qdrant #Weaviate #Vespa #ChromaDB #LanceDB
-
Автоматизация подготовки датасета для задачи сегментации объектов: от сбора данных до готового прототипа за пару дней
Проблема Представьте ситуацию: у вас задача: нужно сделать прототип проекта, который требует обучения модели сегментации на специфичных данных. Классический подход — это недели и даже месяцы ручной работы: • Сбор и запись данных • Удаление дубликатов вручную • Ручная разметка тысяч изображений (Это и деньги, и время) • Валидация качества данных (Это тоже и деньги, и время) • Подготовка датасета для обучения Для маленькой команды, стартапа, это ну прям А что если весь этот процесс можно автоматизировать и сократить с недель до нескольких минут? Именно такую систему мы разработали буквально за один день для нового прототипного проекта.
https://habr.com/ru/articles/982112/
#SAM3 #YOLO #computervision #deeplearning #activelearning #cvat #embeddings #milvus
-
Векторный поиск: как выбрать систему и не пожалеть
От поиска по архивам документов и медиафайлам до рекомендательных систем и AI приложений — всюду работают эмбеддинги и векторный поиск. Но когда дело доходит до выбора конкретного инструмента, глаза разбегаются: Qdrant, Milvus, Weaviate, Redis, Elasticsearch, Pgvector… Если вы: - планируете внедрять семантический поиск в свой продукт, - выбираете между проверенными временем БД и специализированными системами обработки векторов, - ищете независисые бенчмарки, то этот материал — для вас. Мы разберем основные концепции векторного поиска, сравним популярные open-source решения и протестируем скорость их работы с учетом загрузки процессора и памяти.
https://habr.com/ru/companies/tensor/articles/970480/
#векторный_поиск #pgvector #pgvectors #milvus #weaviate #redis #qdrant #vespa #elasticsearch #chroma
-
Выбираем векторную БД для AI-агентов и RAG: большой обзор баз данных и поиск смысла
В этой статье я сделал обзор основных векторных баз данных: Milvus, Qdrant, Weaviate, ChromaDB, pgvector, Redis, pgvectorscale, LanceDB, ClickHouse, Vespa, Marqo, ElasticSearch. Если вы запутались в разнообразии векторных баз данных или хочется верхнеуровнево понимать как они устроены, чем отличаются и для чего вообще нужны, то эта статья будет очень полезна. Мы пошагово соберем все ожидания от векторных БД, посмотрим бенчмарки, а затем попробуем собрать все воедино.
https://habr.com/ru/articles/961088/
#базы_данных #milvus #pgvector #qdrant #redis #chroma #chromadb #ииагенты #aiагенты #LLM
-
Transforming Your PDFs for RAG with Open Source Using Docling, Milvus, and Feast
https://github.com/feast-dev/feast/tree/master/examples/rag-docling
#HackerNews #Transforming #Your #PDFs #for #RAG #with #Open #Source #Using #Docling #Milvus #and #Feast
-
Transforming Your PDFs for RAG with Open Source Using Docling, Milvus, and Feast
https://github.com/feast-dev/feast/tree/master/examples/rag-docling
#HackerNews #Transforming #Your #PDFs #for #RAG #with #Open #Source #Using #Docling #Milvus #and #Feast
-
Transforming Your PDFs for RAG with Open Source Using Docling, Milvus, and Feast
https://github.com/feast-dev/feast/tree/master/examples/rag-docling
#HackerNews #Transforming #Your #PDFs #for #RAG #with #Open #Source #Using #Docling #Milvus #and #Feast
-
Transforming Your PDFs for RAG with Open Source Using Docling, Milvus, and Feast
https://github.com/feast-dev/feast/tree/master/examples/rag-docling
#HackerNews #Transforming #Your #PDFs #for #RAG #with #Open #Source #Using #Docling #Milvus #and #Feast
-
[Перевод] Улучшение RAG с помощью графов знаний
Генерация с дополненной выборкой (RAG) — это метод, который соединяет внешние источники данных для улучшения вывода больших языковых моделей (LLM) . Этот метод идеально подходит для LLM для доступа к частным или специфичным для предметной области данным и решения проблем, связанных с галлюцинациями . Поэтому RAG широко используется для поддержки многих приложений GenAI, таких как чат-боты AI и системы рекомендаций . Базовый RAG обычно объединяет векторную базу данных и LLM, где векторная база данных хранит и извлекает контекстную информацию для пользовательских запросов, а LLM генерирует ответы на основе извлеченного контекста. Этот подход хорошо работает во многих случаях, однако он испытывает трудности со сложными задачами, такими как многоадресное рассуждение или ответы на вопросы, требующие соединения разрозненных фрагментов информации. Например, вопрос « Какое имя было дано сыну человека, который победил узурпатора Аллектуса? »