Searching vector data

출처: 문서

본문

벡터 데이터 검색하기

OpenSearch는 벡터가 생성되고 인덱싱된 방식에 맞춘 다양한 벡터 데이터 검색 방법을 지원해요. 이 가이드에서는 Raw 벡터 검색과 자동 생성 임베딩 검색에 대한 쿼리 문법과 옵션을 설명해요.

검색 타입 비교

다음 표는 각 벡터 검색 방법의 검색 문법과 일반적인 사용 사례를 비교한 거예요.

Raw 벡터 검색하기

Raw 벡터를 검색하려면 knn 쿼리 타입을 사용하고, 입력으로 vector 배열을 제공하고, 반환할 결과 개수인 k를 지정해요:

GET /my-raw-vector-index/_search
{
  "query": {
    "knn": {
      "my_vector": {
        "vector": [0.1, 0.2, 0.3],
        "k": 2
      }
    }
  }
}

{% include copy-curl.html %}

자동 생성 임베딩 검색하기

OpenSearch는 시맨틱 검색, 하이브리드 검색, 멀티모달 검색, 그리고 검색 증강 생성(RAG)이 결합된 대화형 검색을 포함한 AI 기반 검색 방법을 지원해요. 이 방법들은 쿼리 입력으로부터 임베딩을 자동으로 생성해요.

AI 기반 검색을 실행하려면 neural 쿼리 타입을 사용해요. query_text 입력값과, ingest pipeline에서 설정한 임베딩 모델의 모델 ID, 그리고 반환할 결과 개수인 k를 지정해요. 검색 결과에 임베딩이 반환되지 않도록 하려면 _source.excludes 파라미터에 임베딩 필드를 지정해요:

GET /my-ai-search-index/_search
{
  "_source": {
    "excludes": [
      "output_embedding"
    ]
  },
  "query": {
    "neural": {
      "output_embedding": {
        "query_text": "What is AI search?",
        "model_id": "mBGzipQB2gmRjlv_dOoB",
        "k": 2
      }
    }
  }
}

{% include copy-curl.html %}

스파스 벡터 다루기

OpenSearch는 스파스 벡터도 지원해요. 자세한 내용은 Neural sparse 검색을 참고하세요.

다음 단계

• 시맨틱 및 하이브리드 검색 시작하기
• 데이터 필터링
• k-NN 쿼리
• Neural 쿼리

더 알아보기 (Learn more)

• 원문 전체: https://docs.opensearch.org/latest/vector-search/searching-data/