Comunidad ModaHub: ¿Cuál es la diferencia entre la base de datos tradicional más el método de complemento vectorial y la base de datos vectorial nativa de IA? ¿Cuáles son las dificultades técnicas para construir una base de datos de vectores nativos de IA?
Li Li: El algoritmo de recuperación de vectores es el desafío técnico central en el campo de los vectores. En la actualidad, los algoritmos principales son algoritmos basados en gráficos, y algunos algoritmos pueden usar algoritmos como el índice invertido, combinados con algunas técnicas de cuantificación para reducir costos. Si el algoritmo se puede optimizar de forma independiente, se convertirá en una tecnología central. Por ejemplo, el rendimiento o el rendimiento se pueden mejorar optimizando el algoritmo. Esta es la primera capa de desafíos técnicos. La comunidad lo ha manejado bien, pero hay muy pocas empresas que sean realmente capaces de hacerlo.
La segunda capa de desafíos técnicos es la integración con sistemas específicos. Porque el algoritmo debe depender de una implementación de ingeniería. Esta implementación de ingeniería generalmente opta por basarse en una base de datos o implementar un marco desde cero. La elección de este marco tiene un impacto en el rendimiento general y, por tanto, en los desafíos técnicos.
Si se basa en un sistema de código abierto existente, el costo se reducirá considerablemente, como desarrollar directamente en ElasticSearch o Redis. Por lo tanto, muchos investigadores elegirán sistemas maduros para resolver problemas de ingeniería y considerarán utilizar motores de la comunidad de código abierto. De esta manera, pueden centrarse más en el desarrollo de aplicaciones y ecosistemas, como el acoplamiento con ecosistemas de IA, el almacenamiento a largo plazo o el desarrollo de más casos y herramientas ascendentes y descendentes. Por tanto, los desafíos técnicos incluyen principalmente dos aspectos: algoritmos y sistemas back-end.