Какой метод выбрать для поиска: HNSW, Flat или Inverted Index? Практические рекомендации для работы с плотными и разреженными документами.

 HNSW, Flat, or Inverted Index: Which Should You Choose for Your Search? This AI Paper Offers Operational Advice for Dense and Sparse Retrievers

Оптимизация поиска с использованием искусственного интеллекта

Сегодня одной из значительных задач в поиске информации является определение наиболее эффективного метода поиска ближайших векторов, особенно с увеличением сложности моделей плотного и разреженного поиска. Практики должны выбирать между различными методами индексации и поиска, включая графы HNSW (Hierarchical Navigable Small-World), плоские индексы и инвертированные индексы. Эти методы предлагают различные компромиссы в скорости, масштабируемости и качестве результатов поиска. При увеличении размеров наборов данных и их сложности отсутствие четкого руководства затрудняет оптимизацию систем, особенно для приложений, требующих высокой производительности, таких как поисковые системы и приложения на основе искусственного интеллекта, например, системы вопросов и ответов.

Традиционные методы поиска ближайших соседей

Традиционно поиск ближайших соседей осуществляется с использованием трех основных подходов: индексы HNSW, плоские индексы и инвертированные индексы. Индексы HNSW часто используются из-за их эффективности и скорости в задачах поиска на больших масштабах, особенно с плотными векторами, но они требуют значительных вычислительных затрат и времени индексации. Плоские индексы, хотя точны в результатах поиска, становятся неэффективными для больших наборов данных из-за медленной производительности запросов. Разреженные модели поиска, такие как BM25 или SPLADE++ ED, используют инвертированные индексы и могут быть эффективны в конкретных сценариях, но часто лишены богатого семантического понимания, предоставляемого моделями плотного поиска. Основным ограничением всех этих подходов является то, что ни один из них не является универсально применимым, поскольку каждый метод обладает различными преимуществами и недостатками в зависимости от размера набора данных и требований к поиску.

Практические рекомендации на основе исследования

Исследователи из Университета Ватерлоо представляют тщательную оценку компромиссов между индексами HNSW, плоскими и инвертированными индексами как для моделей плотного, так и для разреженного поиска. Это исследование предоставляет подробный анализ производительности этих методов, измеренный по времени индексации, скорости запросов (QPS) и качеству поиска (nDCG@10), с использованием набора данных BEIR в качестве бенчмарка. Исследователи стремятся дать практические, основанные на данных советы по оптимальному использованию каждого метода в зависимости от размера набора данных и требований к поиску. Их результаты показывают, что HNSW чрезвычайно эффективен для наборов данных большого масштаба, в то время как плоские индексы лучше всего подходят для небольших наборов данных из-за своей простоты и точности. Кроме того, исследование исследует преимущества использования техник квантования для улучшения масштабируемости и скорости процесса поиска, предлагая значительное улучшение для практиков, работающих с большими наборами данных.

Экспериментальная настройка использует набор данных BEIR, включающий 29 наборов данных, разработанных для отражения реальных вызовов поиска информации. В качестве модели плотного поиска используется BGE (Base General Embeddings), а в качестве базовых для разреженного поиска — SPLADE++ ED и BM25. Оценка фокусируется на двух типах индексов плотного поиска: HNSW, который строит графовые структуры для поиска ближайших соседей, и плоские индексы, которые полагаются на поиск методом перебора. Инвертированные индексы используются для разреженных моделей поиска. Оценки проводятся с использованием библиотеки поиска Lucene с конкретными конфигурациями, такими как M=16 для HNSW. Производительность оценивается с использованием ключевых метрик, таких как nDCG@10 и QPS, а производительность запросов оценивается в двух условиях: кэшированные запросы (предварительно вычисленное кодирование запроса) и кодирование запросов в реальном времени на основе ONNX.

Результаты показывают, что для небольших наборов данных (менее 100 тыс. документов) плоские и HNSW индексы демонстрируют сопоставимую производительность как по скорости запросов, так и по качеству поиска. Однако с увеличением размеров наборов данных HNSW индексы начинают значительно превосходить плоские индексы, особенно по скорости оценки запросов. Для больших наборов данных, превышающих 1 миллион документов, HNSW индексы обеспечивают значительно большее количество запросов в секунду (QPS), с незначительным снижением качества поиска (nDCG@10). При работе с наборами данных более 15 миллионов документов HNSW индексы демонстрируют существенное улучшение скорости при приемлемой точности поиска. Техники квантования дополнительно улучшают производительность, особенно для больших наборов данных, обеспечивая значительное увеличение скорости запросов без существенного снижения качества. В целом методы плотного поиска с использованием HNSW оказываются намного более эффективными и эффективными, чем разреженные модели поиска, особенно для приложений большого масштаба, требующих высокой производительности.

Практические рекомендации для практиков

Это исследование предлагает важные рекомендации для практиков в области плотного и разреженного поиска, предоставляя всестороннюю оценку компромиссов между индексами HNSW, плоскими и инвертированными индексами. Результаты показывают, что индексы HNSW отлично подходят для задач поиска большого масштаба благодаря их эффективности в обработке запросов, в то время как плоские индексы идеально подходят для небольших наборов данных и быстрого прототипирования из-за своей простоты и точности. Предоставляя эмпирически обоснованные рекомендации, это исследование значительно способствует пониманию и оптимизации современных систем поиска информации, помогая практикам принимать обоснованные решения для поисковых приложений на основе искусственного интеллекта.

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект

Новости

  • Itinai.com it company office background blured photography by 5fd12c31 5208 4b8e aafe 893f47620ac9 1

    Thinkless: Новая Эффективная Платформа для Языковых Моделей

    Практические бизнес-решения с использованием ИИ Искусственный интеллект может значительно улучшить ваши бизнес-процессы. Вот несколько практических шагов, которые стоит рассмотреть: 1. Определите возможности для автоматизации Ищите процессы, которые могут быть автоматизированы. Сосредоточьтесь на взаимодействиях…

  • Itinai.com it company office background blured photography by 431ba571 009a 4ead 8847 7d3b7a613a24 1

    MMLONGBENCH: Новый стандарт для оценки моделей с длинным контекстом

    MMLONGBENCH: Новый стандарт для моделей зрения и языка с длинным контекстом Понимание моделей зрения и языка с длинным контекстом Современные достижения в моделировании длинного контекста значительно улучшили производительность больших языковых моделей и моделей…

  • Itinai.com it company office background blured photography by 4eb35f19 7615 468b aeb9 1b0429702b67 0

    Магнитный интерфейс AI: Совместная автоматизация веб-задач от Microsoft

    Введение Современные веб-технологии изменили наше взаимодействие с цифровыми платформами. Автоматизация рутинных задач с помощью ИИ может значительно повысить эффективность работы. Однако важно, чтобы ИИ работал в сотрудничестве с пользователями, а не заменял их.…

  • Itinai.com it company office background blured photography by 0b545732 d29f 4839 a448 751a77ba1563 2

    Улучшение логического мышления в бизнес-приложениях ИИ

    Улучшение Размышлений в AI Моделях для Бизнес Приложений Понимание Больших Моделей Размышлений Большие Модели Размышлений (БМР), такие как o1 и o3 от OpenAI, DeepSeek-R1, Grok 3.5 и Gemini 2.5 Pro, демонстрируют впечатляющие способности…

  • Itinai.com it company office background blured photography by 342dc52c d1e8 48a5 a450 02825b0d4c2b 0

    Новые модели Claude Opus 4 и Sonnet 4: Прорыв в ИИ для бизнеса

    Введение в модели Claude Anthropic представила свои последние языковые модели, Claude Opus 4 и Claude Sonnet 4. Эти модели позволяют бизнесу повысить операционную эффективность и улучшить процессы принятия решений. Claude Opus 4: Лидер…

  • Itinai.com it company office background blured photography by 783785eb 8fa3 46e6 bc84 19f52afaa824 0

    Falcon-H1: Гибридные языковые модели для бизнеса

    Преобразование бизнеса с помощью Falcon-H1 Обзор Falcon-H1 Falcon-H1 от Института Технологических Инноваций (TII) — это значительный шаг вперед в технологии языковых моделей. Эти модели сочетают в себе преимущества трансформеров и структурированных пространственных моделей…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 3

    Развитие многомодального математического мышления с MathCoder-VL и FigCodifier

    Практические бизнес-решения на основе AI Использование AI для решения математических задач может значительно улучшить бизнес-процессы и повседневную жизнь. Вот как это можно реализовать: Шаг 1: Определение областей для автоматизации Изучите текущие процессы в…

  • Itinai.com it company office background blured photography by 48cb21e9 ed8f 4a55 9f5b 4570e52f1cce 2

    Запуск Gemma 3n: Эффективный многомодальный ИИ для мобильных устройств

    Введение в Gemma 3n Gemma 3n — это новое многомодальное AI-решение от Google DeepMind, разработанное для мобильных устройств. Оно улучшает пользовательский опыт за счет повышения скорости и конфиденциальности. Проблемы в разработке мобильного AI…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 1

    RXTX: Эффективный алгоритм машинного обучения для структурного умножения матриц

    Практические бизнес-решения с использованием RXTX Введение в умножение матриц Умножение матриц является основной операцией в компьютерных науках. Оптимизация этого процесса может значительно улучшить производительность бизнеса через ускорение вычислений. Понимание структурированных матричных произведений Структурированные…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 0

    MCP Шлюзы: Обеспечение Безопасной и Масштабируемой Интеграции ИИ в Бизнесе

    Преобразование бизнеса с помощью интеграции ИИ Интеграция искусственного интеллекта (ИИ) в бизнес-процессы может значительно улучшить эффективность и безопасность. Использование протокола Model Context Protocol (MCP) и шлюзов MCP позволяет упростить взаимодействие ИИ с внешними…

  • Itinai.com it company office background blured photography by d266ecb7 1141 4fd8 a45e d7242fbf1e9e 3

    Создание Модульных AI Рабочих Процессов с Помощью Claude и LangGraph

    Построение Модульных AI Рабочих Процессов с Anthropic’s Claude и LangGraph Этот гид предлагает простой подход к внедрению LangGraph, удобной структуры для создания AI рабочих процессов с интеграцией API Anthropic’s Claude. Следуя этому руководству,…

  • Itinai.com it company office background blured photography by b78d385e b261 4424 829c 8c380ea5040f 2

    Отчет Marktechpost 2025: Агентный ИИ и ИИ-агенты

    Преобразование бизнеса с помощью агентного ИИ Отчет Marktechpost о агентном ИИ и ИИ-агентах 2025 года предлагает ценные идеи для внедрения ИИ в бизнес-процессы. Рассмотрим, как эти технологии могут улучшить бизнес и реальную жизнь.…

  • Itinai.com it company office background blured photography by 783785eb 8fa3 46e6 bc84 19f52afaa824 1

    PARSCALE: Эффективное Параллельное Вычисление для Масштабируемого Развертывания Языковых Моделей

    Введение в PARSCALE Метод PARSCALE представляет собой новый подход к эффективному развертыванию языковых моделей, который может существенно улучшить бизнес-процессы. Проблемы масштабирования языковых моделей Традиционные методы требуют значительных ресурсов, что может замедлять развертывание и…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 2

    Новая эра оценки ИИ: Преимущества фреймворка J1 от Meta

    Преобразование с помощью AI: Практические бизнес-решения Введение в J1 Недавние достижения в области искусственного интеллекта привели к разработке больших языковых моделей (LLM), которые могут выполнять задачи оценки и суждения. Модель J1 предлагает новый…

  • Itinai.com it company office background blured photography by 2f4c6499 6d9f 413b 8dd8 10c4ad53e96c 2

    Масштабируемое генеративное моделирование: инновации Meta AI

    Преобразование бизнеса с помощью ИИ Понимание проблемы нехватки данных Генеративные модели требуют больших и качественных наборов данных для создания высококачественных образцов. Однако в специализированных областях, таких как молекулярное моделирование, получение таких данных может…

  • Itinai.com it company office background blured photography by 976ad3f5 ce78 4bd8 aa05 19f4de5f5730 1

    Создание AI-агента с использованием Google ADK: пошаговое руководство

    Создание AI-агента с использованием Google ADK: Практическое руководство 1. Настройка вашей среды 1.1 Получение необходимых API-ключей Для использования AI-сервисов Google и доступа к финансовым данным вам понадобятся два API-ключа: Google API Key: Перейдите…

  • Itinai.com it company office background blured photography by 12fe5e49 d0a5 47b8 a36f 0071089d22c3 3

    MedGemma: Новые возможности ИИ для анализа медицинских текстов и изображений

    Практические бизнес-решения с использованием MedGemma MedGemma от Google представляет собой мощный инструмент для анализа медицинских текстов и изображений. Вот как его можно использовать для улучшения бизнеса и реальной жизни. Шаги для внедрения MedGemma…

  • Itinai.com it company office background blured photography by 724d9f47 b65a 445e b4b5 b5939a7eba28 3

    Запуск Cosmos-Reason1: Новые горизонты для физического ИИ

    Введение в физический ИИ Искусственный интеллект (ИИ) достиг значительных успехов в таких областях, как обработка языка и генерация кода. Однако применение этих возможностей в реальных условиях связано с уникальными проблемами. Физический ИИ предназначен…