相关概念
向量（Vector）
一组数字表示某个对象的特征，例如一张图片、一段文本、一个音频片段通过深度学习模型转换成的一组浮点数。
向量嵌入（Embedding）
使用预训练模型（如BERT、ResNet等）将非结构化数据转化为向量的过程。
相似性检索
基于向量之间的距离（如余弦相似度）进行快速查找。
技术特性
向量数据库具备一系列独特的技术特性，使其在处理非结构化数据和执行相似性搜索方面表现出色。以下是向量数据库的主要技术特性：
高效存储与索引
● 高维向量存储：能够高效地存储由非结构化数据（如图像、文本、音频等）转换而来的高维向量。
● 索引机制：采用先进的索引算法（如HNSW、IVF-PQ），支持快速检索，即使面对大规模数据集也能实现亚秒级响应。
近似最近邻(ANN)搜索
● 高效查询性能：通过近似最近邻搜索算法，能够在海量数据中迅速找到与给定向量最接近的其他向量集合，而不是执行耗时的精确匹配。
● 召回率与查询速度平衡：在保证一定召回率的同时，显著提升查询速度，适用于实时应用场景。
多模态数据支持
● 跨类型数据处理：可以处理多种类型的非结构化数据，包括但不限于图像、视频、音频、文本等，并将它们统一映射到向量空间进行比较和检索。
● 统一语义空间：不同模态的数据被编码到同一个向量空间中，便于联合检索和分析。
混合检索能力
● 结合结构化字段：不仅支持基于向量的相似性搜索，还可以结合标签、时间戳等结构化字段进行过滤查询，提供更精准的结果。
● 复杂逻辑运算：允许使用复杂的逻辑条件组合来细化查询结果。
分布式架构
● 水平扩展性：设计上支持分布式部署，易于扩展以应对PB级别的数据增长，确保系统在大规模数据环境下的稳定性和性能。
● 容错机制：通常包含故障转移和数据冗余策略，提高系统的可靠性和可用性。
实时更新与增量同步
● 动态数据管理：支持数据的实时写入、删除和更新操作，满足不断变化的数据需求。
● 增量索引：能够对新增或修改的数据进行增量索引，避免全量重建索引带来的性能开销。
可视化与工具支持
● 数据分析工具：提供内置或第三方工具（如Milvus的Attu）用于数据探索、监控和管理，帮助用户更好地理解和利用数据。
● API接口丰富：支持RESTful API、gRPC等多种接口形式，方便与其他系统集成。
企业级功能
● 权限控制：提供细粒度的访问控制机制，确保数据安全。
● 日志审计：记录所有重要操作日志，便于追踪和审查。
● 安全性保障：包括加密传输、身份验证等功能，保护敏感信息不被泄露。
