TechDay
本文由阿里云技术专家魏子珺在【AI搜索TechDay】上的分享【阿里云Elasticsearch AI搜索实践】整理而成。
【AI搜索TechDay】是Elastic和阿里云联合主办的AI技术Meetup系列，聚焦企业级AI搜索应用和开发者动手实践，旨在帮助开发者在大模型浪潮下升级AI搜索，助力业务增长。
阿里云Elasticsearch的AI搜索实践与探索
近年来，Elasticsearch（简称ES）在AI领域的发展非常快。作为一名深耕ES领域近十年的研究者，我见证了ES的飞速发展，但像现在AI相关特性上如此快速的迭代，还是非常惊讶的，并意识到持续跟进AI技术的重要性，特别是在阿里云ES上，我们要去做些什么，能够让ES的用户能够更好的去使用上这些AI功能。
本次分享聚焦于阿里云ES平台上的AI搜索实践与探索。经过团队研究，我们已在多个方向取得实质性进展。我先简要概述ES在AI领域的核心特性，提供一个概览性的理解。
ES在AI场景核心技术之一是引入了先进的语义理解能力，特别是通过embedding向量技术革新搜索引擎。具体而言，我们将文本转换为高维向量，这超越了传统分词和同义词匹配的局限，实现了对词语语境和含义的深度捕捉。例如，对于“狗”这个词，不仅能识别出直接相关的查询，还能延伸至“哈士奇”、“泰迪”等具体品种，极大地丰富了搜索的相关性和精准度。
实现这一突破的关键在于采用了HNSW算法进行近似最近邻搜索。该算法采用分层结构进行高效检索，通过逐步细化搜索空间来逼近最相似结果，有效减少了全量数据扫描的需求，提升了查询效率。然而，HNSW要求较高的内存资源以支持其全内存操作，这对系统资源管理提出了挑战，同时也强调了参数调优的重要性，以在保证效率的同时最大化搜索的准确性和召回率。
Elasticsearch向量引擎的性能提升与迭代更新
聚焦于Elasticsearch向量引擎的持续优化进程，特别是针对性能与成本的改进，显得尤为关键。初期，由于普遍存在的认知偏差——认为ES向量引擎虽功能强大但在性能上可能存在短板，尤其是对于Java生态系统中的应用——这一观点正逐渐被其技术演进所颠覆。实际上，自8.0初始版本至当前已经迈入的8.15版本的历程中，ES不断迭代，特别是在性能优化方面取得了显著进展，其中包括但不限于对硬件加速技术的有效整合。
特别地，ES利用硬件加速技术在向量检索领域，尤其是处理复杂相似度计算任务时，实现了显著的性能飞跃。这种技术创新不仅限于理论层面，实践证明，通过硬件加速器的深度融合，部分计算密集型操作的效率提升了数倍乃至更多。例如，从2022年9月至今的基准测试数据可直观看出，查询响应时间从最初100ms大幅缩减至现在20ms左右，彰显了ES向量检索迭代升级带来的巨大性能提升。
此外，ES在内存优化同样值得关注，通过向量量化技术，所需内存仅为原先需求的四分之一，极大提升了资源利用率。同时，针对高并发查询场景进行的优化，确保了在处理大规模客户信息查询等任务时，系统的稳定性和响应速度得以保持，进一步验证了ES在向量处理应用中的高性能。
提升Elasticsearch性能与功能：稀疏向量与模型应用
在探讨 Elasticsearch 的应用时，特别是关注其在处理文本数据、性能优化及混合搜索策略方面的高级功能，核心要点可精炼如下：
- 语义扩展与稀疏向量表示：Elasticsearch利用诸如稀疏编码技术，不仅能够基于原始词汇建立索引，还能有效扩展至与其相关的概念或词汇，每项扩展均附有模型计算出的权重，增强了语义理解的深度和广度。这得益于稀疏向量技术，它以较低内存占用高效存储信息，对比稠密向量需全内存索引，显著提升了资源效率。
- 查询效率与资源优化：查询过程受益于倒排索引结构，避免了向量相似度匹配的开销，加速了检索速度。此外，Elasticsearch的稀疏向量减少了内存需求，进一步优化了资源利用。
- 混合搜索策略：现代搜索需求促使Elasticsearch支持多模态查询，结合文本、向量检索以及rrf混合排序方法，以增强结果的相关性和覆盖范围。这种混合搜索策略能够召回更多样化的数据，提升用户体验。
- 排名与相关性调整：为了从召回的大量数据中精确选出最相关的结果，ES采用如BM25等排序机制，考虑文档频率和位置等因素初步确定权重。随后，通过集成学习或更精细的模型（如rerank阶段）对初步筛选出的文档进行二次排序，确保顶部结果高度相关。
- 模型集成与原生支持：Elasticsearch展现了强大的模型集成能力，允许用户直接将自定义模型加载至集群中运行，实现从输入到输出（如词嵌入生成）的端到端处理，无需外部预处理步骤。这不仅简化了工作流程，还促进了机器学习模型与搜索引擎的无缝融合，强化了系统的智能化水平和适应性。
用云服务提升模型的使用效率和灵活性
Elasticsearch中的Inference API及其在阿里云环境下的应用，这是一个相对较新的功能，自8.11版本引入，旨在简化和优化机器学习模型在ES上的部署与使用流程。该API的核心价值在于，它允许用户无需经历繁琐的模型下载、安装及资源调配等步骤，即可直接在ES中利用预训练模型进行高级查询和数据分析，特别是针对诸如文本向量化这样的任务。
具体而言，Inference API通过整合第三方模型服务，如来自OpenAI、Hugging Face等知名平台的模型，以及阿里云自家的AI搜索模型，为用户提供了一个统一且便捷的接口。这意味着，用户仅需通过简单的API调用，就能在ES环境中启用这些模型，无论模型是本地部署还是远程托管，极大地降低了技术门槛和运维成本。用户在操作时，体验几乎无差异，无论是创建、查询还是执行嵌入操作，所有过程均围绕模型ID进行，ES内部会自动处理文本到向量的转换及后续的查询优化工作。
这一创新对于ES用户，尤其是那些涉及语义搜索或复杂文本分析场景的用户来说，意义重大。它不仅简化了模型集成的流程，还内置了文本预处理、特征提取等功能，用户仅需关注业务逻辑，通过提供的模型ID，即可实现从原始文本查询到模型预测结果的无缝对接，进而进行高效的向量搜索或其他相关检索操作。最终，这促进了ES作为数据存储与分析平台的功能延展，使之更加适应现代AI驱动的应用需求，提升了用户体验和系统整体效能。
基于阿里云AI的Elasticsearch引擎扩展与服务
阿里云Elasticsearch AI搜索方案集成了人工智能模型的搜索引擎架构，旨在优化用户的查询体验与内容处理能力，核心在于将复杂的模型服务与 Elasticsearch 引擎紧密结合，简化了从数据摄入到信息检索的全过程，具体如下：
- 用户查询接口：用户通过提交查询query启动流程，这可能是自然语言文本或其他形式的输入。
- AI搜索开发工作台：提供一个集成环境，允许用户不仅提交查询，还能利用预设的场景模板进行高级搜索配置，如增强的语义搜索等，提升了易用性和灵活性。
- 模型服务集成：创新之处在于将多种模型服务直接嵌入ES内部，用户无需在本地部署模型。这些模型涵盖了内容解析、文档处理等多种功能，简化了从前端到后端的模型应用流程。
- 数据处理自动化：用户上传文档时，系统自动解析（如PDF、HTML等格式），并运用预训练的文本理解模型进行内容分析，实现结构化信息提取及文本向量化，这一过程无缝集成于ES的索引流程中。
- 查询处理与混合检索：查询接收后，通过自然语言处理技术理解用户意图，即使面对模糊或上下文不全的查询也能有效识别。检索过程中，结合传统的关键词匹配与基于向量的相似性检索，实现了混合检索策略，提高了查询结果的相关性。
- 结果展示与交互：检索完毕，数据经由Elasticsearch处理后，可直接用于前端展示或进一步的业务逻辑处理。
阿里云Elasticsearch在RAG场景的应用
RAG核心要求包括：高度精确的产出、即时答案生成、控制高昂的训练推理成本，并解决数据安全问题。尽管网页应用在流程上相对直观，但仅将引擎作为召回工具可能无法满足性能预期。因此，深入内容理解、精细排序机制、高效的文档解析及切片技术，都是提升RAG整体效果的关键环节。
我们已开发出一款数据解析与提取模型，能灵活应对PDF等多种文档格式，大幅减轻用户处理复杂文件结构（如图文混排PDF）的负担。此模型可智能化地分割文档并优化入库数据质量。
此外，我们还设计了文本切片模型，确保在处理长文本时保持语义完整性，避免信息割裂，通过合理切分提高处理效率。
而向量化模型经过我们团队的持续调优，在相关评测中表现出色，用户可通过API直接调用，简化文本预处理流程。
查询分析模块则增强了对用户查询意图的理解，优化查询指令后，能更精准地在引擎中检索相关信息。
然后这是一个rerank的模型，经过混合检索之后，可以再去调用rerank模型，可以让数据的排序的效果更好。可以看到经过rerank模型的重排后，回答准确率可以提高12.5%。
在AI搜索平台上，我们不仅提供了测评与模型微调工具，还集成了经微调的大模型，其在问题理解、生成内容的准确性上达到了95%的高水准。这一整套RAG体系，结合ES的原生功能，旨在为各类产品提供强大的搜索与分析能力，最终实现高达95%的效果提升，显著增强了用户的搜索体验与成果质量。
阿里云搜索开发工作台面向企业及开发者提供先进的AI搜索开发平台，内置实践打磨的多模态数据解析、文档切分、文本向量、查询分析、大模型文本生成、效果测评等丰富的组件化服务以及开发模版，同时，可选多种引擎能力，用户可灵活调用，实现智能搜索、检索增强生成（RAG）、多模态搜索等搜索相关场景的搭建。
首次免费开通搜索开发工作台，每个账号可获赠100次服务免费调用额度
