O banco de dados vetorial mais usado do mundo: Elasticsearch

O banco de dados vetorial do Elasticsearch oferece a você uma maneira eficiente de criar, armazenar e buscar embeddings vetoriais em escala.

Combine a busca textual e a busca vetorial para recuperação híbrida, produzindo o melhor das duas funcionalidades para ter mais relevância e precisão.

Video thumbnail

Discover the latest innovations that make Elasticsearch and Lucene the top choice for vector databases.

Read blog

Learn to use Elasticsearch as a vector database for embeddings, powering search and building use cases like retrieval augmented generation (RAG), summarization, and QA.

Discover more on Search Labs

Elastic is the first to offer better binary quantization (BBQ), an optimization for vector databases with faster, more accurate vector search and 95% memory reduction.

Learn more about BBQ

Elasticsearch — o banco de dados vetorial mais implantado

Copie para testar localmente em dois minutos

curl -fsSL https://elastic.co/start-local | sh
Leia os documentos
OR

Seu ponto de partida é um banco de dados vetorial...

Você precisa de mais de um banco de dados vetorial para ter uma experiência de busca excelente. O Elasticsearch contém um banco de dados vetorial completo, vários tipos de recuperação (texto, vetores dispersos e densos, híbrido) e arquiteturas de modelo de machine learning a escolher.

Crie sua experiência de busca com agregações, filtragem e lapidações, além de preenchimento automático. Execute sua busca na nuvem, no local ou de forma isolada.

  • Gerar embeddings

    Capte significados, contextos e associações de dados em vetores densos, com a flexibilidade de escolher os modelos de embedding. Execute a inferência de machine learning durante a indexação dos dados.

  • Embeddings de armazenamento

    O armazenamento vetorial do Elasticsearch se baseia no HNSW do Lucene. A abordagem trabalha bem nos benchmarks comparativos (veja luceneknn) para algoritmos de busca vetorial.

  • Embeddings de busca

    Execute o kNN para adaptar seu caso de uso — ANN para velocidade e escala usando o índice HNSW de Lucene ou a correspondência exata para precisão final.

  • Use filtros e lapidação para refinar a busca

    Um framework repleto de funcionalidades de filtragem e lapidação que os desenvolvedores do Elasticsearch confiam, disponível para a busca vetorial.

  • Combine métodos de recuperação com busca híbrida

    Com a recuperação híbrida, escolha entre uma combinação de métodos de recuperação que servem para você: BM25, nosso modelo esparso treinado (ELSER) e vetores densos.

  • Aplique políticas de conformidade e segurança em nível do documento

    Atribua controles de acesso por função granulares com segurança em nível do campo e documento. Saiba que você tem cobertura por todos os frameworks em conformidade amplamente adotados.

Por que usar um banco de dados vetorial?

Superset de banco de dados vetorial

Escolha um banco de dados vetorial com base na experiência de busca vetorial que você quer criar.

Alguns bancos de dados vetoriais
Elasticsearch
Embeddings

Embeddings de armazenamento

suporte completo

suporte completo (gratuito)

Gerar embeddings

suporte parcial

suporte completo (pago)