Elasticsearch, maschinelles Lernen und KI
Im Zentrum der künstlichen Intelligenz (KI) und der Informatik steht maschinelles Lernen (ML). Hier lernen und passen sich Computer mithilfe von Daten und Algorithmen an, genau wie Menschen.
In den letzten Jahrzehnten hat der technologische Fortschritt in der Speicher-und Verarbeitungsleistung den Weg für ML-basierte Innovationen geebnet. Der Wendepunkt kam jedoch im Jahr 2023 mit der Einführung vonChatGPT, ein KI-Chatbot, der die Welt faszinierte. Heute wird das Potenzial von ML von Unternehmen in allen Bereichen gesucht.
Glücklicherweise kann dies für die meisten Unternehmen mit vorhandenen Technologien wie Elasticsearcherreicht werden. Elasticsearch, eine leistungsfähige suchfähige Datenbank, eignet sich hervorragend für die nahtlose Integration wichtiger ML-Funktionen, die von Unternehmen gesucht werden, die neue Technologien nutzen. Elastic hat genau dies getan und das Produkt Elasticsearch mit ML-Funktionen gepackt.
Daten
speichern
Algorithmen für maschinelles Lernen versuchen, unstrukturierte Daten wie Videos oder Bilder zu verstehen, indem sie diese Assets in Gruppen von Zahlen umwandeln, die als Vektoreinbettungenbezeichnet werden. Sobald ein Asset wie ein Bild in eine Gruppe von Einbettungen umgewandelt wurde, kann es wie alle anderen Daten in einer Datenbank gespeichert werden. Elasticsearch hat einen bestimmten Datentyp (dichtevektortyp) für diese Einbettungen.
Unterschiedliche ML-Algorithmen (bekannt als Modelle) analysieren und transformieren Daten auf unterschiedliche Weise. ML-Modelle sind auf verschiedene Datentypen und Aufgaben spezialisiert. Eine vollständige Liste der von Elastic Stack unterstützten Modelle finden Sie unter Kompatible NLP-Modelle anderer Anbieter. Eine umfassende Liste der Open-Source-ML-Modelle finden Sie unter Hugging Face.
Daten abfragen
Sobald Sie sich in der Datenbank befinden, können Sie diese Assets sinnvoll nutzen, indem Sie die Vektorsuchevon Elasticsearchverwenden. Bei einer Suche "Begriff" (z. B. eine Vektoreinbettung des Bildes eines Vogels oder eines Autos) findet die Suchmaschine die Vektoreinbettungen in ihrem Datensatz, die mathematisch näher sind, den "bekannten nächsten Nachbarn" oder kNN. Dies erzeugt eine Liste von Vögeln oder Autos, die dem Suchbegriff "Begriff" ähneln.
Wie Databases for Elasticsearch Sie auf Ihrem Weg zu KI unterstützen kann
Enterprise-Plan
Wenn Sie nur Vektoreinbettungen speichern und suchen möchten, kann der Enterprise Plan von Databases for Elasticsearch (der die Basisversion von Elastic bereitstellt) für Sie ausreichen. Dieser Plan unterstützt den Datentyp "Dense Vector" sowie die verschiedenen Varianten der Vektorsuche, die Elastic bietet.
Die Verwendung dieses Plans bedeutet, dass Sie die tatsächlichen Einbettungen an anderer Stelle generieren und dann in die Datenbank hochladen müssen, da der Enterprise Plan die Generierung von Einbettungen nicht unterstützt.
Der Enterprise Plan bietet Ihnen mehr Flexibilität auf Kosten einer höheren Komplexität in Ihrer KI-Datenpipeline.
Platin-Plan
Für eine umfangreichere Gruppe von Funktionen kann der Platin-Plan von Databases for Elasticsearch (der die Platin-Version von Elastic implementiert) genau das sein, was Sie benötigen. Mit dem Platinum Plan erhalten Sie Zugriff auf alle Funktionen des Enterprise Plan, aber auch die Möglichkeit, die Einbettungen selbst zu erstellen, indem Sie entweder das Elastic-eigene ML-Modell ELSER (ELastic Sparse EncodeR) verwenden oder eines der vielen Open-Source-ML-Modelle verwenden, die Elastic unterstützt.
Der Platinum Plan bietet eine zentrale Anlaufstelle zum Generieren, Speichern und Suchen von Vektoreinbettungen.
Lernprogrammreihe für maschinelles Lernen
Wenn Sie eine Inspiration für den Einstieg benötigen, haben wir eine Reihe von Lernprogrammen zusammengestellt, in denen erläutert wird, wie die ML-Funktionen von Elastic mit Modellen anderer Anbieter verwendet werden:
Pläne und Preisstrukturen
Weitere Informationen zu Funktionen und Kosten finden Sie auf den Seiten Pläne und Preisgestaltung.