向量数据库代表了一种现代数据存储方法,其中信息被保存为高维向量,也就是通过Embedding Model进行数据特征或属性捕获后的数学表达方式。这些向量可以跨越数十到数千个维度,具体取决于每个应用对于数据的粒度要求。
向量数据库支持文本、图像、音频或视频等原始数据,这些原始数据都会采用[Embedding Model]进行数据处理。当然[Embedding Model]的技术是多样化的,可以是机器学习模型、词嵌入和特征提取算法。
向量数据库的主要好处在于它能够通过比较向量的矢量距离来执行快速和精确的相似性搜索。与依赖精确匹配或预定义标准进行查询的传统数据库不同,向量数据库擅长查找上下文或语义相似的数据。
举个例子,“我不是很饿,但是还能够吃点”和“我才吃得七分饱”这两句话若是按正常的数据库匹配,数据库根本不认为它们表达意思相近。但是通过Embedding Model之后用魔法棒将它们变成两串[1.4, 6.7, ……, 9.1]和[9.8, 2.5, ……, 1.9]的向量,若是EM模型很棒的话,那么在这个空间中,这两个向量应该是很接近的。
上图为写入流程和查询流程,向量在这个过程就是桥梁。回到现实业务场景中,事先可以将很多私域的资料录入向量数据库,这些内容会被提炼索引(向量)一起存储;当用户发出一个问题的查询请求时候,EM对查询内容进行Embedding,然后利用这个查询向量在向量数据库中检索相似内容,返回和查询相关的内容片段;最后可以采用Prompt技术将查询和这些检索出来的内容片段拼接在一起,输入大模型以便获取更加精准的回答。这就是RAG!
到此大家应该可以明白,向量数据库有个很重要组件就是EM模型,正因为EM才使得向量数据库对于图像检索、自然语言理解和推荐系统等任务特别有利,而这是传统数据库无法企及的。
高质量的数据和嵌入对于向量数据库的准确性和有效性至关重要。嵌入的质量(即数据的向量表示)直接影响相似性搜索的性能。质量差的嵌入可能导致不准确或不相关的结果,从而降低效用。确保高数据质量涉及预处理步骤,例如归一化、清理和转换,以消除噪音和不一致。在多样化和有代表性的数据集上训练的模型往往会产生更可靠的嵌入。
向量检索方法一般采用近似最近邻 (ANN)搜索。Embedding
和执行ANN搜索是计算密集型过程。Embedding涉及通过复杂的机器学习模型运行原始数据,这需要大量的处理能力、内存和存储。对于具有许多参数的大型数据集或模型尤其如此。
ANN 搜索虽然针对速度进行了优化,但也需要大量的计算资源来有效地遍历高维向量空间并保持性能。这些操作受益于并行处理能力和高性能计算环境,例如GPU和分布式计算集群。
使用技巧1:选择合适的机器学习模型来生成向量嵌入,以下是一些准则:
-
数据类型:对于文本数据,通常使用 BERT、GPT和Word2Vec等模型。对于图像,像ResNet或VGG这样的卷积神经网络很受欢迎。对于音频,Wav2Vec或Mel频率倒谱系数 (MFCC) 等模型是有效的。对于表格数据,CatBoost或TabNet等模型可能更合适。
-
应用需求:如果应用需要理解细微的语言上下文,则基于Transformer的模型(如 BERT 或 GPT)是合适的。对于涉及图像识别或分类的任务,ResNet等深度学习模型。
-
性能和资源限制:更复杂的模型通常会产生更好的嵌入,但需要更多的计算资源。考虑模型复杂性和可用计算能力之间的平衡。
-
预训练模型与自定义模型:预训练模型可以节省时间和资源,并且对一般用途有效。对于特定领域的应用程序,可能需要微调预训练模型或训练自定义模型。
使用技巧2:常见的预处理步骤来确保高质量
-
规范化:将数据标准化为通用比例,这对于数值数据尤其重要,以确保没有特定特征不成比例地影响嵌入。
-
清理:去除噪音,例如不相关或不正确的数据、重复项和异常值,以确保数据的质量和一致性。
-
标记化:对于文本数据,将句子分解为可以通过嵌入模型进行处理的标记(单词或子单词)。
-
小写和删除标点符号:通过转换为小写和删除标点符号来标准化文本数据,以减少数据中的可变性。
-
处理缺失值:插补或删除缺失值,以防止不完整的数据扭曲嵌入。
-
图像和音频处理:对于图像,这可能包括调整大小、规范化和增强。对于音频,可以采用降噪、归一化和分割。
-
特征提取:从原始数据中识别和提取相关特征,可以提高嵌入的质量,特别是对于复杂的数据类型。<很多的RAG变种都是在这个基础上进行迭代创新。>
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。