使用 Redis 加速非结构化数据比较以进行向量相似性搜索

自 ChatGPT 出现以来，向量相似性搜索 (VSS) 越来越受到重视。VSS 的核心在于，它使开发人员能够对非结构化数据（如音频、自然语言、图像和视频）进行查询并检索信息。 

随着深度学习的进步，数据科学家构建了模型，将几乎所有数据转换为其向量表示形式。这可以是交易、用户资料、图像、声音、长文本（句子或段落）、时间序列或图形。所有这些都可以转换为其“特征向量”，也称为“嵌入”。这些嵌入捕获了实体的最基本特征，便于计算机和数据库进行比较。因此，如果模型为两个实体生成了两个相似的向量，则这两个原始实体在某些基本方面是相似的。 

了解 Redis 如何存储、索引和查询向量数据。它使开发人员能够像在 Redis 哈希或 JSON 中的任何其他字段一样轻松地存储向量。然后，搜索和查询功能使用先进的索引和搜索功能，在大型向量空间（通常从数万到数亿个向量分布在多台机器上）中快速高效地执行低延迟搜索。

请注意，此网络研讨会将以阿拉伯语和英语进行。 

活动演讲者

Yacine Younes

高级解决方案架构师
Redis

 Mohammad Reda Katby

首席技术顾问 ML
MLOps 专家