Lojas Vetoriais e Lojas Semânticas

Armazenamento de Vetores

• O que ele armazena:Vetores (também chamados de incorporações), que são representações numéricas de conteúdo, como documentos, passagens, mensagens de chat, código ou imagens, mais metadados (ID, timestamp, origem etc.).
• O que ele faz: Suporta pesquisa de similaridade rápida (e muitas vezes pesquisa híbrida), para que você possa recuperar as informações mais relevantes dos dados fornecidos.

Armazenamento de Vetores em IA Generativa

• Geração aumentada de recuperação (RAG) de poderes: Incorpore fontes de conhecimento com um armazenamento de vetores, recupere os chunks mais semelhantes no momento da consulta e forneça-os ao LLM como contexto fundamentado.
• Arredonda as respostas: Melhora a relevância das informações recuperadas e reduz as chances de usar informações alucinadas aterrando respostas no conteúdo corporativo recuperado.

Exemplo de casos de uso

• Encontrar documentos relevantes que correspondam às perguntas de um usuário.
• Impulsionando a pesquisa contextual em chatbots.

Exemplo de workflow

1. Coloque um PDF em parágrafos.
2. Crie um vetor de incorporação para cada parágrafo.
3. Armazene vetores + texto de parágrafo + metadados no armazenamento de vetores.
4. Quando um usuário faz uma pergunta, incorpore a pergunta e recupere os parágrafos mais próximos para incluir como contexto para o modelo.

Para usar o NL2SQL, você cria um recurso do OCI Semantic Store.

Um Armazenamento Semântico é suportado por um armazenamento de vetores com dados estruturados e inclui as seguintes conexões do DBTools:

• Conexão de Aprimoramento
• Conexão de Consulta

Na Console, para criar um armazenamento semântico, você cria um armazenamento de vetores com dados estruturados. Na API, você pode usar a API CreateSemanticStore.

Saiba mais sobre Pesquisa SQL (NL2SQL).