“向量数据库在召回效率与召回准确率之间，需要做一个业务平衡”
RAG的核心技术点就在于召回数据的准确性，而在相似度搜索过程中，技术载体主要是以向量数据库为主；因此，怎么提升向量数据库的召回准确率就成了一个亟待解决的问题。
在上一篇关于向量数据库的介绍中说，向量数据库不同于传统关系型数据的一点就是其使用的是向量度量的方式召回数据；而这一点就导致召回的数据在向量层面有关系，但在语义方面可能完全无关。就比如上篇文章中举的例子，在西游记的向量数据库中，搜索林黛玉竟然能搜索到结果。
因此，怎么优化向量数据库的召回准确率，这个问题应该怎么解决？
向量数据库的召回准确性问题
影响向量数据库召回准确率的原因有很多，从单一方面很难甚至可以说根本无法解决这个问题，因此提升向量数据库的准确性就需要从多个方面入手。
提升向量数据库搜索的准确性可以从以下几个方面进行改进：
1.提高向量的质量
优化嵌入模型：使用更高质量的嵌入模型能够生成更准确的向量。例如，可以使用最新的预训练模型（如OpenAI的GPT系列、CLIP、BERT、SimCSE等）来生成语义更准确的向量。
微调模型：如果可能的话，可以通过在特定领域的数据上对模型进行微调，以使嵌入更符合你的数据特点。
降维和正则化：在向量数据存储之前，可以考虑对高维向量进行降维（如PCA或t-SNE），同时进行正则化处理，以确保数据分布的均匀性，减少噪声的干扰。
2.改进索引结构
- 选择合适的索引方法：向量数据库如FAISS、Annoy、HNSW等提供了不同的索引方法。根据数据量、查询的实时性需求以及计算资源，选择合适的索引方法是提升准确性的关键。
- FAISS：适用于大规模的向量搜索，支持多种索引结构，如倒排文件索引（IVF）和量化（PQ）。
- HNSW (Hierarchical Navigable Small World)：适合处理稀疏向量或大规模数据集，通常提供较高的准确性。
索引的精细化调整：调整索引的参数（如距离度量方式、候选列表的大小等）有助于提高搜索精度。
3.优化距离度量
选择适当的距离度量：常用的距离度量有欧式距离、余弦相似度、曼哈顿距离等。不同的数据集和应用场景可能需要不同的距离度量。可以通过实验来选择最适合你的应用场景的度量。
距离度量标准化：确保在计算距离时，输入向量经过适当的标准化（如L2归一化或Z-score标准化），这有助于避免某些特征对距离计算的偏差。
4.改进查询策略
多轮查询优化：可以通过逐步筛选、分层查询的方式来逐渐精确定位最相关的结果。即在初步检索中返回较多候选项，然后对候选项进行更深入的搜索。
查询重排序：在初步检索后，使用更精确的排序算法来进一步提高检索结果的相关性。例如，结合传统的排名学习算法（如学习排序，RankNet）或者使用深度学习模型来优化排序。
5.数据增强与处理
数据预处理：确保输入到向量数据库的数据经过有效清洗和规范化。例如，对于文本数据，要去除停用词、进行分词、词干化等处理。
数据增强：通过引入额外的语义信息或变换来增强数据集，增加训练和嵌入的多样性，减少模型在某些边缘情况上的偏差。
6.通过反馈机制优化
用户反馈学习：根据用户的点击行为或反馈来不断优化搜索结果。通过机器学习模型调整向量的权重或改进索引结构，使得系统能更准确地反映用户的实际需求。
主动学习：引入主动学习机制，从少量的标注数据中不断选择最能改进模型的样本进行训练，进一步提高检索的准确性。
7.多模态融合
如果你的数据集包括多种类型（如文本、图片、音频等），可以考虑融合不同模态的向量进行检索。比如，使用跨模态的嵌入模型来融合文本和图像的向量，这样可以在查询时实现跨模态检索，提高准确性。
通过上述几种方法的组合应用，你可以逐步提升向量数据库搜索的准确性，满足不同的检索需求。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
