A linha Couchbase de sistemas de banco de dados e serviços de banco de dados em breve terá recursos de processamento vetorial, dando-lhes a capacidade de oferecer não apenas suporte para grandes modelos de linguagem (LLMs), mas também para recursos completos de pesquisa híbrida.
O novo recurso, que estará disponível no Couchbase Capella Database as a Service (DBaaS) e no Couchbase Server 7.6, pode ajudar as organizações a integrar recursos de pesquisa baseados em IA em seus aplicativos existentes, uma abordagem chamada “pesquisa híbrida”.
Muitos novos bancos de dados vetoriais, ou capacidades vetoriais em bancos de dados padrão, foram introduzidos recentemente na onda de interesse em aplicações personalizadas de IA generativa.
A nova oferta da Couchbase é única, afirma a empresa, pois a pesquisa vetorial pode ser executada em diferentes plataformas, seja no local, nas nuvens e em dispositivos móveis e incorporados. O próprio Couchbase é um banco de dados NoSQL orientado a JSON, mas também possui um mecanismo de sincronização para mover documentos para um dispositivo móvel ou Internet das Coisas, por meio de um armazenamento de dados Couchbase Lite.
“Esse recurso vetorial estará disponível como parte de nossa solução móvel geral para que você possa fazer um índice vetorizado no Couchbase Lite e poder consultá-lo como parte de um aplicativo em execução no próprio dispositivo”, disse Scott Anderson, vice-sênior presidente de gerenciamento de produtos e operações de negócios da Couchbase, em entrevista ao The New Stack.
Um reparador que tentasse consertar um dispositivo acharia esse recurso útil, explicou Anderson. A pessoa pode tirar uma foto do componente problemático e, em seguida, um aplicativo móvel pode comparar essa imagem a um índice de imagens armazenadas localmente, a fim de identificar o problema em questão.
A pesquisa vetorial do Couchbase funciona com outro novo recurso, um serviço colunar, que também foi projetado para reduzir o tempo de resposta da pesquisa. Um único índice pode ser usado para todos os padrões de pesquisa, e a Geração Aumentada de Recuperação (RAG) pode ser facilmente adicionada para melhorar a precisão do LLM. Para promover o uso de AI LLMs, a Couchbase também fez parceria com LangChain e LlamaIndex, oferecendo APIs e outros pontos de integração.
Apesar do entusiasmo, a pesquisa vetorial por si só não oferecerá todos os recursos necessários às aplicações atuais, disse Anderson. É também aqui que as características únicas do Couchbase entram em jogo.
Anderson ofereceu um exemplo de como a pesquisa híbrida poderia ser usada e como ela não poderia ser replicada apenas com um sistema de banco de dados relacional padrão.
Digamos que um cliente esteja procurando um par de sapatos em um determinado tom de azul. Eles podem fazer upload de uma imagem daquela cor específica de azul, e uma pesquisa vetorial em um LLM de cores diferentes pode identificar a tonalidade exata.
Mas a consulta virá com outros requisitos, como nome da marca (“Nike”), tamanho (“11”), limites de avaliação do cliente (“quatro estrelas ou mais”), faixa de preço e disponibilidade em um raio de 80 quilômetros do usuário.
“Então, se você pensar sobre essa afirmação, há uma combinação de padrões de acesso. Não é apenas uma pesquisa vetorial, uma pesquisa por intervalo, uma pesquisa por palavra-chave, geoespacial e uma consulta ao inventário da loja local”, disse Anderson.
Para obter a menor latência possível, um único serviço de pesquisa deve ser usado para reunir todos esses resultados, argumenta Anderson.
“Portanto, a capacidade de combinar todos esses mecanismos de acesso diferentes em uma única instrução SQL do aplicativo fornecerá resultados muito mais precisos.”
Para saber mais, confira o webcast Spring Release da empresa, de 19 a 20 de março.
YOUTUBE.COM/THENEWSTACK
A tecnologia avança rápido, não perca um episódio. Inscreva-se em nosso canal no YouTube para transmitir todos os nossos podcasts, entrevistas, demonstrações e muito mais.
SE INSCREVER
