从 App Search 到 Elasticsearch — 挖掘搜索的未来
2024年11月29日 | by mebius
App Search 将在 9.0 版本中停用,但 Elasticsearch 拥有你构建强大的 AI 搜索体验所需的一切。以下是你需要了解的内容。
生成式人工智能的最新进展正在改变用户行为,激励开发人员创造更具活力、更直观、更引人入胜的搜索体验。在 Elastic,我们专注于为开发人员配备 Elasticsearch 中强大的机器学习 (ML) 工具,以突破现代搜索体验的界限。
作为我们对创新的承诺的一部分,我们正在进行重要的转型。
- 我们为 Elasticsearch 配备了集成的搜索和机器学习工具,使语义搜索(由 Elastic Learned Sparse EncodeR (ELSER) 提供支持)变得像单个字段类型定义一样简单。
- 我们通过在 9.0 中停止使用 App Search 来简化开发人员需要做出的架构选择。
- 我们已将迁移列入你的时间表:App Search 将保留其在 8.x 系列中的当前功能集,我们将继续提供安全升级和修复。
对于刚接触 Elasticsearch 功能的用户,App Search 用户传统上享受的相同易用性和开箱即用的搜索功能现在都集成到了 Elasticsearch 体验中。现在,用户可以拥有一切 —— 从几分钟内即可开始搜索的易用型开始,到可根据你的用例进行微调的无限可定制搜索工具集。
你可以期待以下内容:
-
语义搜索变得简单:
- 新的 semantic_text 字段和 semantic 查询允许仅使用单个字段进行 ML 驱动的语义搜索。
- 用于语义搜索的开箱即用的稀疏向量模型 (ELSER) 或选择自带
tgcode
-
增强的相关性工具:
- 使用具有语义重新排序和学习排序的本机实现的中后期重新排序模型来提高相关性。
- 用于语义重新排序的开箱即用的交叉编码器重新排序模型(Elastic rerank)或选择自带
- 强大的向量功能:访问向量数据库和向量搜索工具,并轻松将向量和标记搜索与混合技术相结合。
- 最先进的向量数据压缩技术:查看 BBQ!
- 大型语言模型 (LLM) 支持的聊天体验:使用由 AI Playground 的 LLM 支持的开箱即用的聊天体验快速启动你的检索增强生成 (RAG) 工作流程!
- 简化的架构:消除对企业搜索节点的需求,同时通过索引调整和优化的 Elasticsearch 查询实现高效扩展并提升性能。
以上所有功能(通过出色的 UI 体验来管理相关性)可衡量搜索的有效性并扩展到满足我们组织搜索需求的未来目标。
准备好迁移了吗?
由于 App Setgcodearch 基于 Elasticsearch 索引,因此转换很容易。我们有一个 Python 笔记本来帮助迁移,以及 App Search 文档中的功能比较表。
想要在转换之前试用一下吗?我们有一个完全托管的 Elasticsearch Serverless 版本可以帮助你入门。
搜索的未来是 Elasticsearch!
敬请期待 – 我们将继续在 Elasticsearch 中推出更多令人兴奋的搜索功能,例如用于 GPU 工作负载的 Elastic 推理服务和更tgcode好的 LLM 支持。
本文中描述的任何特性或功能的发布和时间均由 Elastic 自行决定。任何当前不可用的特性或功能可能无法按时交付或根本无法交付。
原文:From App Search to Elasticsearch — Tap into the future of search | Elastic Blog