Technical Tutorials

Yapay Zeka, deneysel prototiplerden üretim seviyesindeki uygulamalara geçiş yaparken, düşük gecikmeli ve yüksek veri işleme kapasiteli veri erişimi talebi hiç olmadığı kadar yükseldi. Geleneksel arama motorları ve ilişkisel veritabanları, modern makine öğrenimi gömme verilerinin boyutluluğunu yönetirken genellikle zorluklar yaşar. İşte tam da bu noktada Redis Vektör Arama, hafıza içi hızı ve sağlam vektör yeteneklerini benzersiz bir şekilde birleştirerek öne çıkar.

Neden Vektör Arama İçin Redis?

Özünde Redis, dünyanın önde gelen hafıza içi veri deposudur. Veriyi disk yerine RAM'de tutarak Redis, disk tabanlı veritabanlarını rahatsız eden G/Ç darboğazlarını ortadan kaldırır. Bu temel üzerine vektör arama yeteneklerini eklediğinizde, benzerlik aramaları için milisaniyenin altı düzeyinde yanıt süreleri elde edersiniz. Bu, Kullanıcı deneyiminin sorgu gecikmesiyle doğrudan ilişkili olduğu Gerçek Zamanlı Kişiselleştirme, Anlamsal Arama ve Geri Alım-Artırılmış Üretim (RAG) sistemleri gibi uygulamalar için kritik öneme sahiptir.

Ayrı altyapı ve senkronizasyon katmanları gerektirebilecek özel vektör veritabanlarının aksine, Redis Vektör Arama vektörleri geleneksel anahtar-değer verileri, dizeler veya hash'lerle birlikte saklamanıza olanak tanır. Bu, veri parçalama ve çok dilli kalıcılık desenlerine duyulan ihtiyacı azarak mimariyi basitleştirir.

Python ile Uygulama

Redis Vektör Arama ile başlamak, özellikle modern redis-py kütüphanesiyle oldukça basittir. Kütüphane, Redis Stack kullanarak indeksler oluşturma, vektör ekleme ve sorgu yapma için sezgisel yöntemler sağlar.

İlk olarak, çalışan bir Redis Stack örneğiniz olduğundan emin olun. Ardından, hassasiyet ve hız arasında mükemmel bir denge sunan HNSW (Hiyerarşik Gezinilebilir Küçük Dünya) algoritmasını kullanarak bir vektör uzayı tanımlayabilirsiniz.

import redis
import json

# Redis'e bağlan
client = redis.Redis(host='localhost', port=6379, decode_responses=True)

# Vektör parametrelerini tanımla
DIM = 1536  # OpenAI gömme verileri için örnek
DISTANCE_METRIC = "COSINE"

# Vektör indeksini oluştur
client.ft("idx:vector").create_index(
    fields=(
        redis.commands.vector.Field("vector", "VECTOR", "HNSW", {
            "TYPE": "FLOAT32",
            "DIM": DIM,
            "DISTANCE_METRIC": DISTANCE_METRIC,
            "INITIAL_CAP": 1000
        })
    ),
    definition=redis.commands.index.IndexDefinition(prefix=["doc:"])
)

# Bir gömme verisi içeren belgeyi ekle
embedding = [0.1] * DIM  # Yer tutucu gömme verisi
payload = {"title": "Yapay Zekayı Anlamak", "content": "Yapay zeka dönüşüm geçiriyor..."}

client.hset(
    "doc:1",
    mapping={
        "vector": redis.commands.vector.convert_vector(embedding),
        "payload": json.dumps(payload)
    }
)

Bu örnekte, belirtilen algoritmaya bağlı olarak Flat veya HNSW bir indeks oluşturuyoruz. VECTOR alan tipi, Redis'e belirtilen alanı yüksek boyutlu bir vektör uzayı olarak işlemesini söyler. DIM parametresi, gömme verilerinizin uzunluğuyla eşleşmelidir.

Anlamsal Sorguların Çalıştırılması

Veriler indekslendikten sonra sorgulama, bir sorgu vektörü sağlamak kadar basittir. Redis benzerlik aramasını gerçekleştirecek ve en yakın komşuları skorlarıyla birlikte döndürecektir.

# Benzer belgeleri ara
query_vector = [0.12] * DIM
num_results = 5

results = client.ft("idx:vector").search(
    redis.commands.vector.Query(query_vector)
    .return_fields("payload")
    .dialect(2)
)

for doc in results.docs:
    print(f"ID: {doc.id}, Skor: {doc.score}, Payload: {doc.payload}")

Döndürülen skor, yapılandırmaya bağlı olarak mesafe veya benzerlik ölçütünü belirtir ve bu da size daha az ilgili sonuçları dinamik olarak filtreleme imkanı tanır. Bu yetenek, yalnızca en bağlamsal olarak ilgili metin parçalarının bir LLM'ye beslenmesi gereken RAG boru hatları oluşturmak için hayati önem taşır.

Sonuç

Redis Vektör Arama, veri altyapısında güçlü bir evrimi temsil eder; hafıza içi işlemenin hızını yapay zeka destekli erişimin karmaşıklığıyla birleştirir. Gerçek zamanlı uygulamalar geliştiren geliştiriciler için, ayrı vektör veritabanlarının bakımından kaynaklanan operasyonel yük olmadan anlamsal arama uygulamaya basitleştirilmiş bir yol sunar. Redis'ten yararlanarak, AI özelliklerinizin verilerin geldiği hızda performans göstermesini sağlarsınız.