一页概览：AI 向量搜索

151

继昨天的“一页概览：Oracle 数据库安全”，今天的“一页概览”系列介绍Oracle数据库的AI向量搜索功能。此系列中的一页概览均来自Oracle JAPAC的“The Collective”项目，感谢项目负责人以及各位制作内容的产品经理，为我们提供了非常优秀的资源。

一页概览：Oracle 数据库 - AI向量搜索

Oracle数据库 23ai支持向量的存储和搜索。向量是文本、图像、音频或视频的数字表示形式，用于对数据进行特征/语义编码。一个向量就是按照一种特定格式排列的一列数值，也称为“维度”。一个向量的大小取决于其维度的数量和每个维度的大小，Oracle AI 向量搜索支持多达 65535 个维度。

所有类型的向量都具有一个特点：两个实体越相似，相应向量之间的数学距离越短。例如，“苹果”向量和“橙子”向量之间的数学距离就比“苹果”向量与“狗”向量之间的数学距离短。基于这一特点，向量可用于按语义相似度搜索数据。

通过下图，我们可以简要了解Oracle AI向量搜索如何为您的业务赋予AI能力：

Oracle AI 向量搜索技术架构

首先需要从非结构化数据生成向量嵌入。您可以在 Oracle 数据库内部（使用 ONNX 标准导入向量嵌入模型）或外部执行此步骤。您的非结构化数据可以位于 Oracle 数据库内部或外部。
生成向量嵌入后，您可以将其与相应的非结构化和业务关系数据一起存储。
您可以在向量嵌入上创建向量索引，这可以加速在巨大向量空间上的相似性搜索。
使用 Oracle AI Vector Search 本机 SQL 操作将相似性与传统关系型搜索相结合。
通过界面使用文本和图像提示大语言模型。此外， LLM （大语言模型）本身缺乏在训练截止后访问或合并新信息的能力。通过为您的 LLM 提供企业的最新信息，您可以最大限度地降低 LLM 编造答案（产生幻觉）的可能性。检索增强生成 (RAG) 是一种为解决 LLM 的局限性而开发的方法。RAG 结合了预训练语言模型的优势，以及在生成响应期间实时从数据集或数据库中检索信息的能力。