Qdrant dévoile une recherche hybride basée sur des vecteurs pour RAG

Qdrant, fournisseur de bases de données vectorielles open source, a lancé BM42, un algorithme de recherche hybride vectoriel destiné à fournir une récupération plus précise et plus efficace pour les applications de génération augmentée de récupération (RAG). BM42 combine le meilleur de la recherche textuelle traditionnelle et de la recherche vectorielle pour réduire les coûts des applications RAG et IA, a déclaré Qdrant.

Le BM42 de Qdrant a été annoncé le 2 juillet. Les moteurs de recherche par mots-clés traditionnels, utilisant des algorithmes tels que BM25, existent depuis plus de 50 ans et ne sont pas optimisés pour la récupération précise nécessaire aux applications modernes, selon Qdrant. Par conséquent, ils ont du mal à répondre aux exigences spécifiques des RAG, en particulier avec les segments courts nécessitant un contexte supplémentaire pour éclairer la recherche et la récupération réussies. Passer d'une recherche par mots-clés à une recherche entièrement vectorisée offre une nouvelle norme industrielle, a déclaré Qdrant.

« BM42, pour les textes courts qui sont plus importants dans les scénarios RAG, offre l'efficacité des approches de recherche de texte traditionnelles, ainsi que le contexte des vecteurs, ce qui le rend plus flexible, précis et efficace », a déclaré Andrey Vasnetsov, CTO et cofondateur de Qdrant. Cela contribue à rendre la recherche vectorielle plus universellement applicable, a-t-il ajouté.

Contrairement à la recherche traditionnelle par mots-clés adaptée aux contenus longs, BM42 intègre des vecteurs clairsemés et denses pour identifier les informations pertinentes dans un document. Un vecteur clairsemé gère la correspondance exacte des termes, tandis que les vecteurs denses gèrent la pertinence sémantique et le sens profond, selon l'entreprise.