Elasticsearch, machine learning e AI
Al centro dell'intelligenza artificiale (AI) e dell'informatica c'è l'apprendimento automatico (ML). È dove i computer imparano e si adattano usando dati e algoritmi, proprio come gli esseri umani.
Negli ultimi decenni, il progresso tecnologico in termini di capacità di stoccaggio e di elaborazione ha spianato la strada per le innovazioni basate sul ML. Tuttavia, la svolta è arrivata nel 2023 con l’introduzione diChatGPT, un chatbot AI che ha affascinato il mondo. Oggi, il potenziale di ML è ricercato dalle aziende in generale.
Fortunatamente per la maggior parte delle imprese, gran parte di ciò può essere realizzato con tecnologie esistenti, come Elasticsearch. Elasticsearch, un database con funzioni di ricerca avanzate, è particolarmente adatto per integrare senza soluzione di continuità le funzioni ML essenziali richieste dalle aziende che utilizzano nuove tecnologie. Elastic ha fatto proprio questo, impacchettando il loro prodotto Elasticsearch con funzionalità ML.
Archivio dei dati
Gli algoritmi di machine learning cercano di dare un senso ai dati non strutturati, come video o immagini, trasformando questi asset in serie di numeri denominati embeddings vettoriali. Una volta che un asset come un'immagine viene trasformato in un insieme di incorporazioni, può essere memorizzato in un database come qualsiasi altro dato. Elasticsearch ha un tipo di dati specifico (tipo di vettore denso) per queste incorporazioni.
Diversi algoritmi ML (noti come modelli) analizzeranno e trasformeranno i dati in modi diversi. I modelli ML sono specializzati in diversi tipi di dati e attività. Per un elenco completo dei modelli supportati dallo stack Elastic, vedi Modelli NLP di terze parti compatibili. Per un elenco completo dei modelli ML open source, consultare Hugging Face.
Query dei dati
Una volta all'interno del database, è possibile comprendere questi asset utilizzando la ricerca vettorialedi Elasticsearch. Dato un "termine" di ricerca (ad esempio, un inserimento vettoriale dell'immagine di un uccello o di un'auto), il motore di ricerca trova nel suo insieme di dati le incorporazioni vettoriali che sono matematicamente più vicine, il "vicino più vicino conosciuto" o kNN. Questo produce un elenco di uccelli o auto che sembrano simili alla ricerca "termine".
In che modo Databases for Elasticsearch può aiutarti nel tuo percorso di AI
Piano Enterprise
Se vuoi solo archiviare e ricercare le integrazioni del vettore, il piano Enterprise di Databases for Elasticsearch (che distribuisce la versione di base di Elastic) può essere sufficiente per te. Questo piano supporta il tipo di dati Dense Vector e i diversi tipi di ricerca vettoriale che Elastic offre.
Utilizzare questo piano significa che devi generare le integrazioni effettive da qualche altra parte e quindi caricarle nel database, poiché il piano Enterprise non supporta la creazione di integrazioni.
Il piano Enterprise ti offre maggiore flessibilità al costo di una maggiore complessità nella tua pipeline di dati AI.
Piano Platinum
Per una serie più ricca di funzioni, il piano Platinum di Databases for Elasticsearch (che distribuisce la versione Platinum di Elastic) potrebbe essere quello di cui hai bisogno. Con il piano Platinum hai accesso a tutte le funzioni del piano Enterprise ma anche alla possibilità di generare autonomamente le integrazioni, utilizzando il modello ML di Elastic ELSER (ELastic Sparse EncodeR) o utilizzando uno dei molti modelli ML open source supportati da Elastic.
Il piano Platinum fornisce uno sportello unico per la creazione, la memorizzazione e la ricerca di integrazioni vettoriali.
Serie di esercitazioni di machine learning
Se hai bisogno di ispirazione per iniziare, abbiamo messo insieme una serie di tutorial su come utilizzare le capacità di Elastic ML con modelli di terzi:
Piani e prezzi
Visita le nostre pagine di piani e prezzi per ulteriori dettagli su funzioni e costi.