凯里市经济开发区建设局网站,深圳seo优化服务,wordpress 经典推荐,打开山东城市建设职业学院网站作者#xff1a;来自 Elastic Serena Chou, Jonathan Buttner, Dave Kyle
我们很高兴地宣布 Elasticsearch 现在支持 Cohere 嵌入#xff01; 发布此功能是与 Cohere 团队合作的一次伟大旅程#xff0c;未来还会有更多合作。 Cohere 是生成式 AI 领域令人兴奋的创新者…作者来自 Elastic Serena Chou, Jonathan Buttner, Dave Kyle
我们很高兴地宣布 Elasticsearch 现在支持 Cohere 嵌入 发布此功能是与 Cohere 团队合作的一次伟大旅程未来还会有更多合作。 Cohere 是生成式 AI 领域令人兴奋的创新者我们很自豪能够让开发人员使用 Cohere 令人难以置信。 Elastic 的交付方法频繁、生产就绪的迭代
在我们深入探讨之前如果你是 Elastic 的新手欢迎我们始终相信投资我们选择的技术 (Apache Lucene) 并确保贡献可以用作生产级功能以我们最快的发布模式可以提供。
让我们深入了解一下我们迄今为止所构建的内容以及我们很快将能够提供的内容
2023 年 8 月我们讨论了我们对 Lucene 的贡献以实现最大内积并使 Cohere 嵌入成为 Elastic Stack 的一等公民。它首先被贡献到 Lucene 中并在 Elasticsearch 8.11 版本中发布。在同一版本中我们还推出了 /_inference API 端点的技术预览该端点支持 Elasticsearch 中管理的模型的嵌入但很快在接下来的版本中我们建立了与 Hugging Face 和 OpenAI 等第三方模型提供商的集成模式。
Cohere 嵌入支持已经向参与我们在 Elastic Cloud 上的 stateless 产品预览的客户提供并且很快将在即将发布的 Elasticsearch 版本中向所有人提供。
你需要一个 Cohere 帐户以及一些 Cohere Embed 端点的使用知识。 你可以选择可用的模型但如果你只是第一次尝试我们建议你使用模型 embed-english-v3.0或者如果你正在寻找多语言变体请尝试 embed-multilingual-v3.0维度大小为 1024。
在 Kibana 中即使没有设置 IDE你也可以访问控制台以便在 Elasticsearch 中输入这些后续步骤。
PUT _inference/text_embedding/cohere_embeddings
{service: cohere,service_settings: {api_key: api-key, model_id: embed-english-v3.0, embedding_type: byte}
}
当你选择在控制台中运行此命令时你应该会看到相应的 200用于创建你的命名 Cohere 推理服务。 在此配置中我们指定 embedding_type 为 byte这相当于要求 Cohere 返回带符号的 int8 嵌入。 仅当你选择使用 v3 模型时这才是有效的配置。 你需要在索引中设置映射以便为存储即将从 Cohere 检索的嵌入做好准备。 Cohere 嵌入的 Elasticsearch 向量数据库
PUT cohere-embeddings
{mappings: {properties: {name_embedding: { type: dense_vector, dims: 1024, element_type: byte},name: { type: text }}}
}
在映射的定义中你会发现 Elastic 团队对 Lucene 做出的另一个贡献的一个很好的例子即使用标量量化的能力。
只是为了好玩我们粘贴了你将在入门体验中看到的命令该命令摄取简单的图书目录。
POST _bulk?pretty
{ index : { _index : books } }
{name: Snow Crash, author: Neal Stephenson, release_date: 1992-06-01, page_count: 470}
{ index : { _index : books } }
{name: Revelation Space, author: Alastair Reynolds, release_date: 2000-03-15, page_count: 585}
{ index : { _index : books } }
{name: 1984, author: George Orwell, release_date: 1985-06-01, page_count: 328}
{ index : { _index : books } }
{name: Fahrenheit 451, author: Ray Bradbury, release_date: 1953-10-15, page_count: 227}
{ index : { _index : books } }
{name: Brave New World, author: Aldous Huxley, release_date: 1932-06-01, page_count: 268}
{ index : { _index : books } }
{name: The Handmaids Tale, author: Margaret Atwood, release_date: 1985-06-01, page_count: 311}
此时你的 books 内容已位于 Elasticsearch 索引中现在你需要启用 Cohere 在文档上生成嵌入
为了完成此步骤你将设置一个 ingest pipeline该管道使用我们的 inference processor 来调用你在第一个 PUT 请求中定义的推理服务。
PUT _ingest/pipeline/cohere_embeddings
{processors: [{inference: {model_id: cohere_embeddings, input_output: { input_field: name,output_field: name_embedding}}}]
}
如果你没有摄取像本书目录这样简单的内容你可能想知道如何处理所选模型的 token 限制。
如果需要你可以快速修改创建的 ingest pipeline 以对大型文档进行分块或者在首次摄取之前使用其他转换工具来处理分块。
如果你正在寻找其他工具来帮助确定分块策略那么搜索实验室中的这些 notebooks 就是你的最佳选择。
有趣的是在不久的将来Elasticsearch 开发人员将完全可以选择此步骤。 正如本博客开头所提到的我们今天向你展示的这种集成为未来的更多变化奠定了坚实的基础。 其中之一将是此步骤的大幅简化你根本不必担心分块也不必担心摄取管道的构建和设计。 Elastic 将以出色的默认设置为你处理这些步骤
你已经设置了目标索引和摄取管道现在是时候重新索引以强制文档完成该步骤了。
POST _reindex
{source: {index: books,size: 50 },dest: {index: cohere-embeddings,pipeline: cohere_embeddings}
} 用于 Cohere 向量嵌入的 Elastic kNN 搜索
现在你已准备好使用 Cohere 嵌入进行第一个向量搜索。
GET cohere-embeddings/_search
{knn: {field: content_embedding,query_vector_builder: {text_embedding: {model_id: cohere_embeddings,model_text: Snow}},k: 10,num_candidates: 100},_source: [name,author]
}
就这么简单。
如果你已经对向量搜索有了很好的理解我们强烈建议你阅读这篇关于将 kNN 作为查询运行的博客 - 这将解锁专家模式
与 Cohere 的集成以 stateless 方式提供很快就可以在 Elastic Cloud、笔记本电脑或自我管理环境中的版本化 Elasticsearch 版本中进行尝试。
祝你搜索愉快再次感谢 Cohere 团队在此项目上的合作
准备好将 RAG 构建到你的应用程序中了吗 想要尝试使用向量数据库的不同 LLMs 在 Github 上查看我们的 LangChain、Cohere 等示例 notebooks并参加即将开始的 Elasticsearch 工程师培训 原文Elasticsearch open inference API adds support for Cohere Embeddings — Elastic Search Labs
