Vektordatenbank

Wann würde ich eine Vektordatenbank verwenden?

Laut der International Data Corporation (IDC) werden bis 2025 weltweit 80 % der neu erzeugten Daten unstrukturiert sein, z. B. Daten wie Texte, Bilder oder Videos. Zur Verwaltung dieser unstrukturierten Daten kommen zunehmend lernende Modelle wie tiefe neuronale Netze (Deep Neural Networks) zum Einsatz. Sie werden branchenübergreifend genutzt – von E-Commerce über Gesundheitswesen bis hin zu Industrieanwendungen Diese Anwendungen „übersetzen“ unstrukturierte Daten in sogenannte Embedding-Vektoren. Sobald die Daten „vektorisiert“ wurden, lassen sich mithilfe von ähnlichkeitsbasierten Vektorsuchen (Vector Search) Aufgaben wie Suchen, Empfehlungen generieren und Analysen durchführen. Die Verwaltung dieser Vektordaten erfolgt in Vektordatenbanken.

Ob eine Vektordatenbank sinnvoll ist, hängt davon ab, welche Technologien und Prozesse Sie sonst verwenden. Vektordatenbanken sind ein zentraler Bestandteil vieler KI-Systeme. Einige (aber nicht alle) Anwendungen mit großen Sprachmodellen (LLMs) nutzen sie für schnelle Ähnlichkeitssuchen oder zur Bereitstellung von Kontext- und Fach- und Domänenwissen. Ein typisches Beispiel ist Retrieval Augmented Generation (RAG). Bei diesem Ansatz dient die Vektordatenbank dazu, den Prompt für das Sprachmodell zu erweitern – um zusätzliche, relevante Informationen, die gemeinsam mit der eigentlichen Anfrage übermittelt werden.

Vektordatenbanken ermöglichen außerdem eine hybride Suche. Dabei wird die klassische, schlüsselwortbasierte Suche mit einer semantischen Ähnlichkeitssuche kombiniert. So finden Sie auch dann relevante Inhalte, wenn Schlagwörter nicht exakt übereinstimmen. Vektordatenbanken können auch für zahlreiche Aufgaben im Bereich Natural Language Processing (NLP) eingesetzt werden, z. B. für semantische oder Sentiment-Analysen sowie beim Training von Machine-Learning-Modellen (ML).

Was ist ein Vektor?

Ein Vektor ist ein hochdimensionales numerisches Array, das die Position eines bestimmten Punktes über mehrere Dimensionen hinweg beschreibt. Stellen Sie sich einen Wortvektorraum als dreidimensionale Wolke vor, in der jedes Wort als Punkt dargestellt ist. In diesem Raum liegen Begriffe mit ähnlicher Bedeutung näher beieinander und bilden einen Cluster. Zum Beispiel würde der Punkt für „Apfel“ näher bei „Birne“ liegen als bei „Auto“. Diese räumliche Anordnung spiegelt die semantischen Beziehungen zwischen Wörtern wider: Je geringer der Abstand zwischen zwei Punkten, desto ähnlicher sind sich ihre Bedeutungen.

Was ist Vektoreinbettung?

Ein Vektor wird erzeugt, indem eine sogenannte Embedding-Funktion auf Rohdaten angewendet wird, um diese in eine nutzbare Repräsentation zu transformieren. Diese Darstellungen werden „Einbettungen“ genannt, weil ein ML-Modell eine repräsentative Gruppierung nimmt und sie in einen Vektorraum einbettet. Die Vektoren sind als Zahlenlisten eingebettet. das macht es für ML-Modelle einfacher, Berechnungen und Vergleiche mit den Daten durchzuführen. Tatsächlich hängt die Leistungsfähigkeit vieler Machine-Learning-Methoden entscheidend von der Qualität dieser Vektorrepräsentationen ab. Ein ganzer Textabschnitt oder auch eine Zahlenreihe lässt sich auf einen einzelnen Vektor reduzieren. Genau das ermöglicht es Modellen, auch mit komplexen Daten effizient zu arbeiten

Wie funktionieren Vektordatenbanken?

Vektordatenbanken sind darauf ausgelegt, Daten mithilfe hochdimensionaler Vektor-Embeddings effizient zu speichern, zu indexieren und abzufragen. Sobald ein Nutzer eine Abfrage oder Anforderung in die Vektordatenbank eingibt, beginnt folgende Abfolge von Verarbeitungsschritten:

1. Vektorisierung: In diesem ersten Schritt werden Embeddings aus multimodalem Inhalt erzeugt, d. h. aus Text, Bildern, Audio- oder Videodaten. Dieser Prozess erfasst die semantischen Beziehungen inherhalb der Daten. Bei Textdaten sorgt dieser Prozess beispielsweise dafür, dass Wörter mit ähnlicher Bedeutung (und damit ähnlichen Vektoren) im Vektorraum nahe beieinander liegen.
2. Vektor-Indizierung: Der nächste Schritt unterscheidet Vektordatenbanken von traditionellen Datenbanken. Dabei kommen ML-Algorithmen wie Product Quantization oder Hierarchical Navigable Small World (HNSW) zum Einsatz, um die Vektoren in neuen Datenstrukturen abzubilden. Diese Strukturen ermöglichen besonders schnelle Ähnlichkeits- oder Distanzsuchen, wie beispielsweise die Suche nach dem nächsten Nachbarn im Vektorraum. Die Indexierung ist entscheidend für die Leistungsfähigkeit der Datenbank, da sie ein schnelles Abfragen ähnlicher Vektoren ermöglicht.
3. Abfrageausführung: Im letzten Schritt wird der ursprüngliche Anfrage-Vektor mit den indexierten Vektoren in der Datenbank verglichen. Das System ruft diejenigen Vektoren ab, die die stärkste semantische Nähe zur Anfrage aufweisen, und findet so die relevantesten Informationen, ohne auf exakte Schlagwortübereinstimmungen angewiesen zu sein.

Durch diesen Ansatz ermöglichen Vektordatenbanken semantische Suchen und ähnlichkeitsbasierte Abfragen, was sie ideal für Anwendungen wie Empfehlungssysteme, Bild- und Videoerkennung, Textanalyse und Anomalieerkennung macht.

Vorteile von Vektordatenbanken

Vektordatenbanken bieten eine Reihe von Vorteilen:

• Schnelligkeit und Leistung: Vektordatenbanken können mithilfe von Distanz- oder Ähnlichkeitsmetriken blitzschnell ähnliche Daten identifizieren. Das ist für NLP, Computer Vision und Empfehlungssysteme unerlässlich. Im Gegensatz zu traditionellen Datenbanken, die sich auf exakte Übereinstimmungen oder vordefinierte Kriterien beschränken, erfassen Vektordatenbanken auch semantische und kontextuelle Zusammenhänge. Das verbessert die Datennutzung erheblich, da deutlich differenziertere und kontextsensitivere Suchen möglich sind – und das weit über einfache Schlagwortabfragen hinaus.
• Skalierbarkeit: Während herkömmliche Datenbanken bei der Verarbeitung großer Datenmengen häufig an Skalierungsgrenzen stoßen (etwa durch Latenzprobleme oder Konflikte bei gleichzeitigen Zugriffen), sind Vektordatenbanken speziell dafür ausgelegt, auch sehr große Datenvolumen effizient zu verarbeiten. Sie erreichen diese Skalierbarkeit durch den Einsatz moderner Techniken wie Sharding, Partitionierung, Caching und Replikation. Dadurch wird die Last gleichmäßig auf mehrere Maschinen oder Cluster verteilt und die Ressourcennutzung optimal gesteuert.
• Vielseitigkeit: Ob die Daten Bilder, Videos oder andere multimodale Daten: Vektordatenbanken sind darauf ausgelegt, flexibel einsetzbar zu sein. Dank ihrer Fähigkeit, unterschiedlichste Anwendungsfälle abzudecken – von semantischer Suche bis hin zu Konversations-KI-Anwendungen – lassen sie sich individuell an eine Vielzahl von Geschäftsanforderungen angepasst werden. 
• Kosteneffizienz: Vektordatenbanken zeichnen sich durch eine kosteneffiziente Verarbeitung hochdimensionaler Daten aus. Statt rechenintensiv und zeitaufwändig mit einem Modell zu interagieren, nutzen Vektordatenbanken Embeddings, um Datensätze schneller und ressourcenschonender zu verarbeiten. 
• Integration mit Machine Learning: Vektordatenbanken erleichtern es ML-Modellen, frühere Eingaben wiederzuverwenden, etwa für semantische Suchen, Klassifikationen oder Empfehlungssysteme. Statt nach exakten Übereinstimmungen zu suchen, können Daten anhand von Ähnlichkeitsmetriken identifiziert werden, was es dem Modell ermöglicht, den Kontext der Daten besser zu verstehen.

Fünf Anwendungsfälle für Vektordatenbanken

Vektordatenbanken werden branchenübergreifend für eine Vielzahl von Anwendungen und Anwendungsfällen eingesetzt. Hier sind einige der gängigsten Anwendungsbeispiele:

Large Language Models (LLMs)

Der zunehmende Einsatz großer Sprachmodelle (LLMs) für Aufgaben wie Informationsabruf sowie die wachsende Beliebtheit von E-Commerce- und Empfehlungssystemen haben den Bedarf an leistungsfähigen Vektordatenbanksystemen erhöht, die Abfragen in unstrukturierten Daten optimieren können.

In multimodalen Anwendungen werden Daten in Form von Embeddings in Vektordatenbanken gespeichert. Dadurch lassen sich Vektorrepräsentationen besonders effizient abrufen. Gibt ein Nutzer eine Textanfrage ein, arbeiten das Sprachmodell (LLM) und die Vektordatenbank zusammen: Das LLM übernimmt die Verarbeitung natürlicher Sprache, während die Algorithmen der Vektordatenbank eine ungefähre Ähnlichkeitssuche (Approximate Nearest Neighbor Search) durchführen. Dieser Ansatz liefert oft bessere Ergebnisse als die Nutzung einer einzelnen Komponente für sich allein.

Vektordatenbanken werden im Rahmen von RAG (Retrieval-Augmented-Gernation) zunehmend auf LLMs angewendet. Dieses Vorgehen erhöht die Nachvollziehbarkeit der Modellantworten, indem zusätzlicher Kontext in die Ausgabe des LLM eingebunden wird. Nutzer-Prompts können gezielt um Kontext ergänzt werden, um typische Herausforderungen großer Sprachmodelle wie Halluzinationen oder Verzerrungen (Bias) zu reduzieren.

Bilderkennung

Vektordatenbanken können eine Schlüsselrolle bei der Bilderkennung spielen, indem sie hochdimensionale Einbettungen von Bildern speichern, die von ML-Modellen erzeugt wurden. Da sie speziell für Ähnlichkeitssuchen optimiert sind, eignen sich Vektordatenbanken hervorragend für Anwendungsfälle wie Objekterkennung, Gesichtserkennung oder Bildsuche.

Sie sind darauf ausgelegt, kontextrelevante Informationen schnell über semantische Ähnlichkeiten bereitzustellen. E-Commerce-Plattformen können beispielsweise Produkte mit ähnlichen visuellen Merkmalen identifizieren, während soziale Netzwerke ihren Nutzern verwandte Bilder vorschlagen können. Ein anschauliches Beispiel ist Pinterest: Dort ermöglichen Vektordatenbanken die Entdeckung neuer Inhalte, indem jedes Bild als hochdimensionaler Vektor dargestellt wird. Wenn ein Nutzer ein Bild eines Sonnenuntergangs am Meer pinnt, kann das System schnell in der Vektordatenbank nach visuell ähnlichen Bildern suchen, etwa nach anderen Strandlandschaften oder Sonnenuntergängen.

Natürliche Sprachverarbeitung (NLP)

Vektordatenbanken haben NLP revolutioniert, indem sie eine effiziente Speicherung und schnelle abfrage von verteilten Wortrepräsentationen ermöglichen. Modelle wie Word2Vec, GloVe oder BERT werden auf riesigen Textkorpora trainiert, um hochdimensionale Wort-Embeddings zu erzeugen, die semantische Zusammenhänge erfassen. Diese Embeddings werden in Vektordatenbanken gespeichert und stehen dort für schnelle Zugriffe bereit.

Da sie schnelle Ähnlichkeitssuchen ermöglichen Vektordatenbanken es den Modellen, kontextuell passende Wörter oder Phrasen zu finden. Diese Fähigkeit ist besonders wertvoll für Aufgaben wie semantische Suche, Fragebeantwortung, Textklassifikation oder Named Entity Recognition (Erkennung von Eigennamen). Darüber hinaus können Vektordatenbanken auch Embeddings auf Satzebene speichern. Diese erfassen den Kontext von Wörtern und ermöglichen ein differenzierteres Sprachverständnis.

Empfehlungssysteme und Personalisierung

Ist eine Vektordatenbank erst einmal mithilfe eines Embedding-Modells trainiert, kann sie für die Generierung personalisierter Empfehlungen eingesetzt werden. Sobald ein Nutzer mit dem System interagiert, werden sein Verhalten und seine Präferenzen genutzt, um ein individuelles Nutzer-Embedding zu erzeugen. Beispielsweise kann ein Nutzer ein Sprachmodell (LLM) nach einer Serienempfehlung fragen. Die Vektordatenbank schlägt daraufhin Serien vor, deren Inhalte oder Bewertungen den individuellen Vorlieben am nächsten kommen Empfohlen werden dann diejenigen Serien, deren Embeddings dem Nutzer-Muster am stärksten ähneln.

Betrugserkennung

Finanzinstitute verwenden Vektordatenbanken, um betrügerische Transaktionen zu erkennen. Mit ihrer Hilfe lassen sich Transaktionsvektoren in Echtzeit mit bekannten Betrugsmustern vergleichen. Dank ihrer Skalierbarkeit unterstützen Vektordatenbanken zudem das Risikomanagement und ermöglichen neue Einblicke in das Verhalten von Verbrauchern. Indem Transaktionsdaten als Vektoren codiert werden, lassen sich Muster identifizieren, die auf auffällige Aktivitäten hinweisen. Darüber hinaus erleichtern sie die Bewertung der Kreditwürdigkeit und die Segmentierung von Verbrauchern durch die Analyse von Daten, um den Entscheidungsprozess zu verbessern.

Häufige Herausforderungen von Vektordatenbanken

Trotz zahlreicher Vorteile und vielfältiger Einsatzmöglichkeiten ist es wichtig, auch die Herausforderungen von Vektordatenbanken zu berücksichtigen.

• Neue Daten-Pipelines

Vektordatenbanken benötigen leistungsfähige Datenpipelines für die Datenaufnahme: Rohdaten aus verschiedenen Quellen müssen zunächst bereinigt, verarbeitet und mithilfe eines ML-Modells in Embeddings überführt werden. Erst dann können sie als Vektoren in der Datenbank gespeichert werden

Databricks Vector Search begegnet dieser Herausforderung mit einer umfassenden Lösung. Die Lösung automatisiert die Generierung, Verwaltung und Optimierung von Vektoren und sorgt für eine Echtzeitsynchronisierung der Quelldaten mit den zugehörigen Vektorindizes. Zudem übernimmt sie das Fehlermanagement, optimiert den Durchsatz und passt Batch-Größen sowie Skalierung automatisch an – ganz ohne manuelle Eingriffe.

Dieser Ansatz verringert den Bedarf an separaten Datenpipelines, reduziert den manuellen Aufwand für Entwicklerinnen und Entwickler und schafft Freiräume für höherwertige Aufgaben, die unmittelbar zum Geschäftserfolg beitragen, statt Zeit in den Aufbau und die Pflege komplexer Datenaufbereitungsprozesse zu investieren.

• Erhöhte Sicherheit und Governance

Vektordatenbanken erfordern zusätzliche Sicherheitsmaßnahmen, Zugriffskontrollen und Data Governance sowie entsprechende Wartung und Verwaltung. Unternehmen benötigen strenge Sicherheits- und Zugriffskontrollen, um sicherzustellen, dass Nutzer keinen Zugriff auf GenAI-Modelle erhalten, die mit vertraulichen Daten verknüpft sind.

Viele aktuelle Vektordatenbanken bieten entweder keine ausreichenden Sicherheits- und Zugriffskontrollen oder verlangen von Unternehmen, eigene Sicherheitsrichtlinien separat aufzubauen und zu pflegen. Databricks Vector Search stellt eine einheitliche Oberfläche bereit, über die sich Datenrichtlinien definieren lassen. Zudem wird die Datenherkunft ganz ohne zusätzliche Tools automatisch nachverfolgt. Dadurch wird gewährleistet, dass LLM-Modelle keine vertraulichen Daten an Benutzer weitergeben, die keinen Zugriff darauf haben sollten.

• Hoher technischer Kenntnisstand

Durch ihre leistungsstarken Funktionen für Ähnlichkeitssuchen und den Umgang mit hochdimensionalen Daten sind Vektordatenbanken unverzichtbare Werkzeuge für Data Scientists, die mit KI- und ML-Modellen arbeiten. Databricks Vector Search hebt sich hier als serverlose Vektordatenbank hervor. Sie erfordert keine manuelle Konfiguration und ermöglicht es Data Scientists, sich auf ihre eigentliche Arbeit zu konzentrieren, statt Zeit in Infrastrukturmanagement zu investieren.

Zu den wichtigsten Vorteilen von Databricks Vector Search zählen die nahtlose Integration in die Lakehouse-Architektur, automatisierte Datenaufnahme und bis zu fünfmal schnellere Ergebnisse im Vergleich zu anderen gängigen Vektordatenbanken. Darüber hinaus ist die Lösung vollständig kompatibel mit bestehenden Sicherheits- und Governance-Werkzeugen über Unity Catalog und gewährleistet so Datenschutz und Compliance.

Databricks Vector Search bietet sowohl Einsteigern und erfahrenen Nutzern große Flexibilität: mit automatischer Skalierung für Datenaufnahme und Abfragen sowie Plug-and-Replace-APIs für alle, die mehr Kontrolle über ihre Datenpipelines wünschen. Diese Kombination aus Benutzerfreundlichkeit und starker Leistung vereinfacht den Aufbau und Betrieb einer Vektordatenbank, ganz gleich wie viel Erfahrung ein Data-Science-Team mitbringt.

Vektordatenbanken vs. Graphdatenbanken

Vektordatenbanken organisieren Daten als Punkte in einem mehrdimensionalen Vektorraum. Jeder Punkt repräsentiert ein bestimmtes Datenelement und seine Position spiegelt die Ähnlichkeit oder das Verhältnis zu anderen Datenpunkten wider. Diese Vektordatenbankstruktur eignet sich besonders gut für viele Anwendungen im Bereich generativer KI, da Vektor-Embeddings typischerweise von großen Sprachmodellen (LLMs) erzeugt werden und sich Daten damit effizient durchsuchen und abrufen lassen.

Im Gegensatz dazu organisieren Graphdatenbanken Daten, indem sie sie in einer Graphstruktur speichern. Entitäten werden als Knoten (Nodes) auf einem Graphen dargestellt. Die Verbindungen zwischen ihnen werden als Kanten (Edges) dargestellt. Die Graphstruktur ermöglicht es, Datenobjekte als Netz aus Knoten und Kanten abzubilden, wobei die Kanten die jeweiligen Beziehungen zwischen den Knoten repräsentieren. Durch diese starke Vernetzung eignen sich Graphdatenbanken besonders gut für Szenarien, in denen die Beziehungen zwischen Datenpunkten ebenso relevant sind wie die Daten selbst.

Was ist der Unterschied zwischen einem Vektorindex und einer Vektordatenbank?

Ein Vektorindex und eine Vektordatenbank erfüllen bei der Verarbeitung hochdimensionalen Daten unterschiedliche, aber sich ergänzende Funktionen.

• Vektorindex: Ein Vektorindex ist eine spezialisierte Datenstruktur, die schnelle Ähnlichkeitssuchen zwischen Vektor-Embeddings ermöglicht. Er verbessert die Suchgeschwindigkeit erheblich, indem er Vektoren so organisiert, dass sie besonders effizient abgerufen werden können. Beispiele für Vektorindizes sind Facebook AI Similarity Search (FAISS), HNSW und Locality-Sensitive Hashing (LSH). Diese Indizes können als eigenständige algorithmische Prozesse eingesetzt oder in größere Systeme integriert werden, um Suchoperationen zu optimieren. 
• Vektordatenbank: Eine Vektordatenbank hingegen ist eine umfassende Datenmanagementlösung. Sie beinhaltet nicht nur die Vektorindexierung, sondern bietet darüber hinaus zusätzliche Funktionen wie Datenspeicherung, CRUD-Operationen (Create, Read, Update, Delete), Metadatenfilterung und horizontale Skalierung Sie ist darauf ausgelegt, Vektoreinbettungen effizient zu verwalten und abzufragen, unterstützt komplexe Operationen und gewährleistet Datenintegrität und Sicherheit.

Zukünftige Trends für Vektordatenbanken

Mit dem Boom rund um LLMs und GenAI-Anwendungen hat auch die Nutzung von Vektordatenbanken spürbar zugenommen. Mit der zunehmenden Reife von KI-Anwendungen werden die Entwicklung neuer Produkte und die sich wandelnden Bedürfnisse der Nutzerinnen und Nutzer maßgeblich bestimmen, wohin sich Vektordatenbanken in Zukunft entwickeln. Dennoch zeichnen sich bereits heute einige erwartbare Entwicklungsrichtungen für diese Technologie ab.

• Stärkere Integration mit ML-Modellen: Die Beziehung zwischen Vektordatenbanken und ML-Modellen rückt zunehmend in den Fokus der Forschung. Ziel dieser Entwicklungen ist es, die Größe und Dimensionalität von Vektoren zu verringern, um Speicherbedarf für große Datensätzen zu reduzieren und die Rechenleistung effizienter zu nutzen.
• RAG-Anpassung: Retrieval-Augmented Generation (RAG) ist ein Ansatz, der dazu dient, den Kontext für große Sprachmodelle (LLMs) in GenAI-Anwendungsfällen wie Chatbots oder allgemeinen Frage-Antwort-Systemen zu verbessern. Dabei wird die Vektordatenbank genutzt, um dem Prompt zusätzlichen Kontext hinzuzufügen, der gemeinsam mit der Anfrage an das LLM übermittelt wird.
• Multi-Vektor-Suche: Es wird erwartet, dass weitere Forschungen zur Verbesserung der Fähigkeiten der Multi-Vektor-Suche durchgeführt werden, was für Anwendungen wie die Gesichtserkennung wichtig ist. Derzeitige Verfahren beruhen häufig auf der Kombination einzelner Scores. Diese Methode kann jedoch rechnerisch aufwendig sein, da sie die Anzahl der erforderlichen Distanzberechnungen erhöht. 
• Hybride Suche: Die Weiterentwicklung von Suchsystemen hat zu einer wachsenden Verbreitung hybrider Ansätze geführt, die klassische, schlagwortbasierte Methoden mit modernen Vektor-Retrieval-Techniken kombinieren.

Wie man eine Vektordatenbank mit Databricks erstellt

Databricks Mosaic AI Vector Search ist die integrierte Vektordatenbanklösung von Databricks innerhalb der Data Intelligence Platform. Dieses vollständig integrierte System macht separate Datenpipelines überflüssig und wendet Sicherheitsrichtlinien sowie Data-Governance-Mechanismen an – für einen konsistenten Schutz sämtlicher Datenressourcen. 

Databricks Vector Search bietet eine leistungsstarke Lösung, die sofort einsatzbereit ist. Sie ermöglicht es großen Sprachmodellen (LLMs), relevante Ergebnisse schnell und mit minimaler Latenz abzurufen. Nutzer profitieren von automatischer Skalierung und Optimierung. Manuelle Anpassungen der Datenbankkonfiguration sind damit nicht mehr erforderlich. Diese Integration vereinfacht das Speichern, Verwalten und Abfragen von Vektor-Embeddings und erleichtert es Unternehmen, KI-Anwendungen wie Empfehlungssysteme und semantische Suchen zu implementieren und das bei gleichzeitiger Einhaltung von Sicherheits- und Governance-Standards.

Wo finde ich weitere Informationen zu Vektordatenbanken und Vektorsuche?

Wer mehr über Vektordatenbanken und Vektorsuche erfahren möchte, findet eine Vielzahl hilfreicher Informationen:

Blogs

• Hybride Suche in Mosaic AI Vector Search
• Databricks Vector Search (öffentliche Vorschau)
• Erstellen hochwertiger RAG-Anwendungen mit Databricks
• Verbessern der Antwortqualität von RAG-Anwendungen mit strukturierten Echtzeitdaten
• Schnellere Entwicklung von KI-Apps mit den neuen Möglichkeiten der Foundation-Modelle
• Best Practices für die LLM-Auswertung von RAG-Anwendungen
• Mit MLflow AI Gateway und LLaMa 2 Apps für generative KI entwickeln (so erzielen Sie höhere Präzision durch Einsatz von Retrieval Augmented Generation (RAG) mit Ihren eigenen Daten)

E-Books

• Das Big Book der GenAI
• Kompaktleitfaden zu Retrieval Augmented Generation (RAG)
• Big Book of MLOps

Demos

• Bereitstellung Ihres LLM-Chatbots mit Retrieval Augmented Generation (RAG), llama2-70B (MosaicML Inferences) und Vector Search

Kontaktieren Sie Databricks, um eine Demo zu vereinbaren und mit jemandem über Ihre LLM- und Vektordatenbanken zu sprechen.