从业务需求到能力扩展 | 阿里云Elasticsearch向量检索能力的创变史

  • 时间:
  • 浏览:0

关于向量检索更具体的产品介绍,请点击访问【向量检索插件使用最佳实践】

基于 Codec 机制,向量索引否则可不还要被 Lucene 当成普通索引来管理,这对上层的 Elasticsearch 来说是全部透明的,什么都可不还要实现不修改上层业务的前提下,兼容 Elasticsearch 所有上层的分布式文件操作;所有扩副本、本地 Failover 、阿里云快照备份/恢复等功能都与原生普通索引无异。否则大大提高了索引的稳定性,降低了用户的使用成本。

您将获得

1、阿里云 Elasticsearch 向量检索能力的演变过程

2、怎么里能使用向量检索

3、未来阿里云 Elasticsearch 的探索之路

阿里云 Elasticsearch 是目前公有云营收增长最快的大数据产品之一。随着客户数的增长,我门我门发现随着 AI 技术的不断普及,针对向量检索场景的需求量在逐步提升。比如人脸识别、音/视频识别、商品智能推荐等场景,技术上都离不开向量检索的能力作为支撑。以某专有云客户为例,客户的场景是视频安全监控,摄像头每天会产生100万帧采样图片,每个月产生TB级的向量数据,业务上还要实时对什么视频采样数据进行图片比对搜索。该客户属于典型的时序+向量检索的场景,而时序分析场景刚好是 Elasticsearch 最擅长的次要,那末 我门我门可不还要在Elasticsearch现有能力的基础上补充向量检索的支持能力呢?基于有有一种朴素的想法,我门我门以后开始了与阿里巴巴达摩院向量检索团队的公司相互合作 ,希望借助达摩院自研的向量检索引擎补充阿里云 Elasticsearch 在向量检索方面的能力,一站式防止云上用户全文检索、时序分析及向量检索的需求。

简单介绍一下阿里云 Elasticsearch 使用的 Proxima 向量引擎库:阿里巴巴达摩院提供的 Proxima 向量检索引擎是一八个 运用于大数据下,实现向量近邻搜索的高性能软件库,里能 提供业内性能和效果领先的基础辦法 模块,支持图像搜索、视频指纹、人脸识别、语音识别和商品推荐等各种场景。一并,引擎对向量检索的其他基础能力,如聚类、距离计算、高并发、Cache 等做了深层次的优化。

查询的前一天,否则向量索引和原生索引一样全是 Segment 粒度生成,什么都我门我门若果很轻量的实现向量 Segment 对应的 Weight 和 Scorer即可。具体的,当查询到了 BuildScorer 阶段,我门我门利用底层 Proxima 库加载当前 Segment的向量索引文件,通过 Native 辦法 查询出TopN的 id 和 Score 后,通过docID和分数生成当前 Segment 的 Scorer,交给indexSearcher继续执行上层的求交/求并操作即可。

怎么里能将 Proxima 引擎库集成到阿里云 Elasticsearch 生态中,有一八个 方向摆在我门我门身前:有有一种是最直观也是最简单的离线方案,也是集团内其它兄弟团队大次要采用的方案,依赖独立的离线资源做索引全量 Build;另有有一种是在线方案,也是无缝对接 Elasticsearch 现有能力、易用性最好的方案,但写入性能和存储相对会有其他Overhead。有有一种方案优劣势对比如下:

目前 Proxima 向量检索库在阿里集团覆盖的生产业务如图所示:

阿里云 Elasticsearch 始终致力于为云上用户提供一站式的高性能、低成本的大数据检索分析服务。向量检索引擎是我门我门在人工智能领域迈出的第一步,后续的发力点还有什么都,比如支持更充沛的近似算法、支持离线训练、硬件加速等,有什么都意思的方向等待我门我门一并探索。目前阿里云ES向量检索引擎即将在下一版本上线公有云,有需求接入的用户可不还要提前提工单给我门我门沟通使用场景,感谢我门我门的支持。

在选取在线方案的前提下,怎么能不里能满足 Proxima 向量索引和 Elasticsearch 原生索引无缝集成呢?答案是利用 Lucene的 Codec 扩展机制。Codec 可不还要理解为 Lucene 索引文件格式的有有一种协议,用户若果实现对应的写入/读取的业务流程,即可自定义正排、倒排、StoreFields 等不同索引的具体实现。在阿里云 Elasticsearch 的实现中,我门我门包装并扩展了Lucene 的 Latest Codec,当向量数据写入es的某个字段时,前期流程跟原生的流程一致,先中放去 indexBuffer 中;等内部人员发起 Refresh 时,调用底层的 Proxima 库,消费向量数据构建出 Proxima 的向量索引。

以下是阿里云Elasticsearch 6.7.0版本环境实测数据,机器配置为数据节点16c64g*2 + 100G ssd云盘,数据集为Sift128维 Float 向量(http://corpus-texmex.irisa.fr/)

数据总量为2千万。索引配置全部是默认参数。

以下是正文

考虑到云上客户大多数对弹性和稳定性要求比较高,我门我门最终选取了易用性、稳定性更好的在线方案。

本文字数:1874

阅读时间:约3~5分钟