21｜向量数据库：图片、音频、文本等非结构化数据的搜索需求是怎么实现的？

1. 向量是在机器学习中用来表示数据的多维空间中的点，具备相同特征的数据映射到的坐标点之间的距离越小，靠得越近。 2. 向量化模型将数据转换为数值型数组，长度固定，不同的向量化模型对输入的文本长度会有不同的限制。 3. 向量数据库的出现解决了向量数据的存储、相邻向量的搜索问题，支持基于数据字段的标量过滤查询，也支持基于向量字段的近似相邻查询。 4. 向量数据库的能力让非结构化数据如关联文本之间检索、相似图片之间检索等能够实现存储与快速检索，提高机器学习和人工智能的准确性和效率。 5. 向量数据库提供了多种类型的向量索引方式，如ANN（Approximate Nearest Neighbor，近似最近邻）类算法，其中HNSW（Hierarchical Navigable Small World，分层导航小世界图）是常用的向量索引实现。 6. HNSW算法通过构建一个类似跳表的分层检索模型，快速地跳跃到搜索空间的不同区域，实现快速导航和局部搜索，但可能导致搜索结果不是最精确的。 7. 如果需要搜索结果绝对精确，则可以使用FLAT（Full Linear Scan，全量遍历）向量索引，但只适应于小数据集场景。 8. 向量数据库被广泛应用于人工智能领域，如人脸识别技术、视频推荐等，提供快速的近似搜索能力。 9. 向量数据库的发展受到OpenAI的影响，公司在选择合适的向量数据库产品时需要考虑产品的适用性和性能。