Skip to main content
NetApp Solutions
本繁體中文版使用機器翻譯,譯文僅供參考,若與英文版本牴觸,應以英文版本為準。

簡介

貢獻者

本節介紹 NetApp 的向量資料庫解決方案。

簡介

向量資料庫可有效因應大型語言模型( LMS )和泛用人工智慧( AI )中的語義搜尋複雜度所設計的挑戰。與傳統的資料管理系統不同、向量資料庫能夠處理及搜尋各種類型的資料、包括影像、影片、文字、音訊、 使用資料本身的內容、而非標籤或標籤、以及其他形式的非結構化資料。

Relational Database Management Systems ( RDBMS )的侷限性已詳加記錄、尤其是在 AI 應用程式中、它們與高維度資料呈現和非結構化資料的爭用。RDBMS 通常需要耗時且容易出錯的程序、將資料整合至更容易管理的結構、導致搜尋延遲和效率不彰。然而、向量資料庫的設計旨在規避這些問題、提供更有效率且更準確的解決方案來管理及搜尋複雜的高維度資料、進而協助 AI 應用程式的發展。

本文件為目前使用或計畫使用向量資料庫的客戶提供全方位指南、詳述在 NetApp ONTAP 、 NetApp StorageGRID 、 Amazon FSxN for NetApp ONTAP 和 SnapCenter 等平台上使用向量資料庫的最佳實務做法。此處提供的內容涵蓋多個主題:

  • NetApp 儲存設備透過 NetApp ONTAP 和 StorageGRID 物件儲存設備提供的向量資料庫基礎架構準則、例如 Milvus 。

  • 透過檔案和物件存放區、驗證 AWS FSX for NetApp ONTAP 中的 Milvus 資料庫。

  • 深入瞭解 NetApp 的檔案物件雙重性、展現其在向量資料庫及其他應用程式中的資料實用度。

  • NetApp 的資料保護管理產品 SnapCenter 如何為向量資料庫資料提供備份與還原功能。

  • NetApp 的混合雲如何在內部部署和雲端環境中提供資料複寫與保護。

  • 深入瞭解 NetApp ONTAP 上的向量資料庫(例如 Milvus 和 pgvector )的效能驗證。

  • 兩種特定使用案例:擷取使用大語言模型( LLM )的擴增世代( RAG )、以及 NetApp IT 團隊的 ChatAI 、提供所概述概念和實務做法的實際範例。