ฐานข้อมูลเวกเตอร์ที่ปลอดภัยต่อประเภท: ปฏิวัติการจัดเก็บ Embedding ด้วยการใช้งานประเภท

ความก้าวหน้าอย่างรวดเร็วของปัญญาประดิษฐ์ (AI) และแมชชีนเลิร์นนิง (ML) ได้ผลักดันการพัฒนาฐานข้อมูลเฉพาะที่ออกแบบมาเพื่อจัดการข้อมูลที่มีมิติสูง โดยส่วนใหญ่อยู่ในรูปแบบของ Embedding ฐานข้อมูลเวกเตอร์ได้กลายเป็นเทคโนโลยีที่เป็นรากฐานสำคัญสำหรับการใช้งานที่หลากหลาย ตั้งแต่การค้นหาเชิงความหมายและกลไกการแนะนำ ไปจนถึงการตรวจจับความผิดปกติและ Generative AI อย่างไรก็ตาม เมื่อระบบเหล่านี้มีความซับซ้อนและการนำไปใช้มากขึ้น การรับประกันความสมบูรณ์และความน่าเชื่อถือของข้อมูลที่จัดเก็บจึงมีความสำคัญอย่างยิ่ง นี่คือจุดที่แนวคิดเรื่องความปลอดภัยของประเภทในฐานข้อมูลเวกเตอร์ โดยเฉพาะอย่างยิ่งในการใช้งานการจัดเก็บ Embedding มีบทบาทสำคัญ

ฐานข้อมูลแบบดั้งเดิมบังคับใช้ Schema และประเภทข้อมูลที่เข้มงวด ป้องกันข้อผิดพลาดทั่วไปมากมาย ณ เวลาคอมไพล์หรือรันไทม์ ในทางตรงกันข้าม ลักษณะไดนามิกของการสร้าง Embedding ซึ่งมักเกี่ยวข้องกับโมเดล ML ที่หลากหลายและมิติเอาต์พุตที่แตกต่างกัน ในอดีตนำไปสู่แนวทางที่ยืดหยุ่นกว่า และในบางครั้ง ก็มีความแข็งแกร่งน้อยกว่าในการจัดเก็บในฐานข้อมูลเวกเตอร์ โพสต์บล็อกนี้เจาะลึกแนวคิดของฐานข้อมูลเวกเตอร์ที่ปลอดภัยต่อประเภท สำรวจความแตกต่างของการใช้งานประเภทการจัดเก็บ Embedding ข้อดี ความท้าทาย และวิถีในอนาคตของพื้นที่สำคัญนี้ในโครงสร้างพื้นฐาน AI

ทำความเข้าใจ Embeddings และฐานข้อมูลเวกเตอร์

ก่อนที่จะเจาะลึกเรื่องความปลอดภัยของประเภท สิ่งสำคัญคือต้องเข้าใจแนวคิดพื้นฐานของ Embeddings และฐานข้อมูลเวกเตอร์

Embeddings คืออะไร?

Embeddings คือการแสดงตัวเลขของข้อมูล เช่น ข้อความ รูปภาพ เสียง หรือข้อมูลอื่น ๆ ในปริภูมิเวกเตอร์ที่มีมิติสูง เวกเตอร์เหล่านี้จับความหมายเชิงความหมายและความสัมพันธ์ของข้อมูลต้นฉบับ ตัวอย่างเช่น ใน Natural Language Processing (NLP) คำหรือประโยคที่มีความหมายคล้ายกันจะถูกแทนด้วยเวกเตอร์ที่อยู่ใกล้กันในปริภูมิ Embedding การแปลงนี้มักดำเนินการโดยโมเดลแมชชีนเลิร์นนิง เช่น Word2Vec, GloVe, BERT หรือโมเดล Transformer ที่ล้ำสมัยกว่า

กระบวนการสร้าง Embeddings มักจะเป็นแบบวนซ้ำและอาจรวมถึง:

• การเลือกโมเดล: การเลือกโมเดล ML ที่เหมาะสมตามประเภทข้อมูลและการแสดงเชิงความหมายที่ต้องการ
• การฝึกอบรมหรืออนุมาน: การฝึกอบรมโมเดลใหม่หรือใช้โมเดลที่ฝึกอบรมไว้ล่วงหน้าเพื่อสร้าง Embeddings
• มิติ: มิติเวกเตอร์เอาต์พุตอาจแตกต่างกันอย่างมากขึ้นอยู่กับโมเดล (เช่น 768, 1024, 1536 หรือสูงกว่านั้น)
• การประมวลผลข้อมูลล่วงหน้า: การตรวจสอบให้แน่ใจว่าข้อมูลอินพุตอยู่ในรูปแบบที่ถูกต้องสำหรับโมเดล Embedding ที่เลือก

ฐานข้อมูลเวกเตอร์คืออะไร?

ฐานข้อมูลเวกเตอร์คือฐานข้อมูลเฉพาะที่ปรับให้เหมาะสมสำหรับการจัดเก็บ การจัดทำดัชนี และการสืบค้นข้อมูลเวกเตอร์ที่มีมิติสูง แตกต่างจากฐานข้อมูลเชิงสัมพันธ์แบบดั้งเดิมที่เก่งในการสืบค้นข้อมูลที่มีโครงสร้างตามการจับคู่ที่แน่นอนหรือการสืบค้นช่วง ฐานข้อมูลเวกเตอร์ได้รับการออกแบบมาสำหรับการค้นหาความคล้ายคลึง ซึ่งหมายความว่าพวกเขาสามารถค้นหาเวกเตอร์ที่คล้ายกับเวกเตอร์สืบค้นที่กำหนดได้อย่างมีประสิทธิภาพ

คุณสมบัติที่สำคัญของฐานข้อมูลเวกเตอร์ ได้แก่:

• การจัดทำดัชนีมิติสูง: การใช้งานอัลกอริทึมการจัดทำดัชนีที่มีประสิทธิภาพ เช่น Annoy, NMSLIB, ScaNN, HNSW (Hierarchical Navigable Small Worlds) และ IVF (Inverted File Index) เพื่อเพิ่มความเร็วในการค้นหาความคล้ายคลึง
• การจัดเก็บเวกเตอร์: การจัดเก็บเวกเตอร์หลายล้านหรือพันล้านเวกเตอร์พร้อมข้อมูลเมตาที่เกี่ยวข้อง
• เมตริกความคล้ายคลึง: การสนับสนุนเมตริกระยะทางต่างๆ เช่น Cosine Similarity, Euclidean Distance และ Dot Product เพื่อวัดความคล้ายคลึงของเวกเตอร์
• ความสามารถในการปรับขนาด: ออกแบบมาเพื่อจัดการข้อมูลปริมาณมากและปริมาณการสืบค้นสูง

ความท้าทายของประเภทการจัดเก็บ Embedding

ความยืดหยุ่นที่มีอยู่ในการสร้าง Embedding แม้ว่าจะทรงพลัง แต่ก็ก่อให้เกิดความท้าทายอย่างมากในการจัดเก็บและจัดการเวกเตอร์เหล่านี้ภายในฐานข้อมูล ข้อกังวลหลักอยู่ที่ประเภทและความสอดคล้องของ Embeddings ที่จัดเก็บ

ความแปรปรวนในคุณสมบัติ Embedding

ปัจจัยหลายประการมีส่วนทำให้เกิดความแปรปรวนของข้อมูล Embedding:

• ความไม่ตรงกันของมิติ: โมเดล Embedding ที่แตกต่างกันสร้างเวกเตอร์ที่มีมิติที่แตกต่างกัน การจัดเก็บเวกเตอร์ที่มีมิติที่แตกต่างกันภายในคอลเลกชันหรือดัชนีเดียวกันอาจนำไปสู่ข้อผิดพลาดและประสิทธิภาพที่ลดลง ระบบที่คาดหวังเวกเตอร์ 768 มิติไม่สามารถประมวลผลเวกเตอร์ 1024 มิติได้อย่างถูกต้องหากไม่มีการจัดการที่ชัดเจน
• ความแม่นยำของประเภทข้อมูล: Embeddings โดยทั่วไปคือตัวเลขทศนิยม อย่างไรก็ตาม ความแม่นยำ (เช่น ทศนิยม 32 บิตเทียบกับทศนิยม 64 บิต) อาจแตกต่างกัน แม้ว่ามักจะไม่สำคัญสำหรับการคำนวณความคล้ายคลึงกัน แต่ความไม่สอดคล้องกันอาจเกิดขึ้น และบางโมเดลอาจไวต่อความแตกต่างของความแม่นยำ
• การทำให้เป็นมาตรฐาน: อัลกอริทึม Embedding บางตัวสร้างเวกเตอร์ที่เป็นมาตรฐาน ในขณะที่บางตัวไม่ได้สร้าง การจัดเก็บเวกเตอร์ที่เป็นมาตรฐานและไม่เป็นมาตรฐานแบบผสมกันอาจนำไปสู่การคำนวณความคล้ายคลึงที่ไม่ถูกต้อง หากเมตริกที่เลือกถือว่าเป็นการทำให้เป็นมาตรฐาน (เช่น Cosine Similarity มักใช้กับเวกเตอร์ที่เป็นมาตรฐาน)
• การเสียหายของข้อมูล: ในระบบกระจายขนาดใหญ่ ข้อมูลอาจเสียหายระหว่างการส่งหรือจัดเก็บ ซึ่งนำไปสู่ค่าตัวเลขที่ไม่ถูกต้องหรือเวกเตอร์ที่ไม่สมบูรณ์
• การอัปเดตโมเดล: เมื่อโมเดล ML พัฒนาขึ้น อาจมีการปรับใช้เวอร์ชันใหม่ ซึ่งอาจสร้าง Embeddings ที่มีลักษณะแตกต่างกัน (เช่น มิติ หรือการกระจายพื้นฐานที่แตกต่างกันเล็กน้อย)

ผลกระทบของประเภทที่ไม่ได้รับการจัดการ

หากไม่มีการจัดการประเภทที่เหมาะสม ฐานข้อมูลเวกเตอร์อาจประสบปัญหาจาก:

• ข้อผิดพลาดรันไทม์: การดำเนินการล้มเหลวเนื่องจากประเภทข้อมูลหรือมิติที่ไม่คาดคิด
• ผลการค้นหาที่ไม่ถูกต้อง: การคำนวณความคล้ายคลึงกันผิดพลาดเนื่องจากคุณสมบัติเวกเตอร์ที่ไม่สอดคล้องกัน
• ปัญหาคอขวดด้านประสิทธิภาพ: การจัดทำดัชนีและการดึงข้อมูลไม่มีประสิทธิภาพเมื่อไม่ได้จัดการความแตกต่างของข้อมูล
• ปัญหาความสมบูรณ์ของข้อมูล: Embeddings ที่เสียหายหรือไม่ถูกต้องบ่อนทำลายความน่าเชื่อถือของแอปพลิเคชัน AI
• ค่าใช้จ่ายในการพัฒนาที่เพิ่มขึ้น: นักพัฒนาต้องใช้งานตรรกะการตรวจสอบความถูกต้องและการแปลงที่กำหนดเองที่ซับซ้อนในเลเยอร์แอปพลิเคชัน

คำมั่นสัญญาของฐานข้อมูลเวกเตอร์ที่ปลอดภัยต่อประเภท

ความปลอดภัยของประเภท ซึ่งเป็นแนวคิดที่ยืมมาจากภาษาโปรแกรม หมายถึงการบังคับใช้ข้อจำกัดประเภทข้อมูลเพื่อป้องกันข้อผิดพลาดของประเภท ในบริบทของฐานข้อมูลเวกเตอร์ ความปลอดภัยของประเภทมีจุดมุ่งหมายเพื่อสร้างประเภทที่ชัดเจน คาดเดาได้ และบังคับใช้สำหรับ Embeddings และข้อมูลเมตาที่เกี่ยวข้อง ซึ่งจะช่วยเพิ่มความสมบูรณ์ของข้อมูล ความน่าเชื่อถือ และประสบการณ์ของนักพัฒนา

อะไรคือสิ่งที่ประกอบขึ้นเป็นความปลอดภัยของประเภทในฐานข้อมูลเวกเตอร์?

การใช้งานความปลอดภัยของประเภทในฐานข้อมูลเวกเตอร์เกี่ยวข้องกับการกำหนดและบังคับใช้คุณสมบัติของเวกเตอร์ที่จัดเก็บ ซึ่งโดยทั่วไปจะรวมถึง:

• คำจำกัดความ Schema สำหรับ Embeddings: อนุญาตให้ผู้ใช้กำหนดคุณสมบัติที่คาดหวังของเวกเตอร์ Embedding ภายในคอลเลกชันหรือดัชนีได้อย่างชัดเจน Schema นี้ควรประกอบด้วย:
• มิติ: จำนวนเต็มคงที่ที่แสดงถึงจำนวนมิติ
• ประเภทข้อมูล: ข้อกำหนดของประเภทตัวเลข (เช่น float32, float64)
• สถานะการทำให้เป็นมาตรฐาน: บูลีนที่ระบุว่าคาดว่าเวกเตอร์จะเป็นมาตรฐานหรือไม่

ข้อดีของการจัดเก็บ Embedding ที่ปลอดภัยต่อประเภท

การนำแนวทางปฏิบัติที่ปลอดภัยต่อประเภทมาใช้สำหรับการจัดเก็บ Embedding ให้ผลประโยชน์มากมาย:

1. ความสมบูรณ์ของข้อมูลที่เพิ่มขึ้น: โดยการบังคับใช้ข้อจำกัดประเภทที่เข้มงวด ฐานข้อมูลที่ปลอดภัยต่อประเภทจะป้องกันไม่ให้ Embeddings ที่ไม่ถูกต้องหรือผิดรูปแบบเข้าสู่ระบบ สิ่งนี้มีความสำคัญอย่างยิ่งสำหรับการรักษาความถูกต้องและความน่าเชื่อถือของโมเดล AI และผลลัพธ์ของโมเดล
2. ความน่าเชื่อถือและความเสถียรที่ได้รับการปรับปรุง: การกำจัดข้อผิดพลาดรันไทม์ที่เกี่ยวข้องกับประเภทนำไปสู่พฤติกรรมของแอปพลิเคชันที่เสถียรและคาดเดาได้มากขึ้น นักพัฒนาสามารถมั่นใจได้มากขึ้นว่าข้อมูลของตนสอดคล้องและปฏิบัติการจะสำเร็จ
3. การพัฒนาและการแก้ไขจุดบกพร่องที่ง่ายขึ้น: นักพัฒนาไม่จำเป็นต้องใช้งานตรรกะการตรวจสอบความถูกต้องที่กำหนดเองอย่างกว้างขวางในระดับแอปพลิเคชัน ฐานข้อมูลจัดการการตรวจสอบประเภท ลดโค้ด Boilerplate และโอกาสในการเกิดข้อผิดพลาด การแก้ไขจุดบกพร่องทำได้ง่ายขึ้นเนื่องจากปัญหาต่างๆ มักถูกจับได้ตั้งแต่เนิ่นๆ โดยกลไกการบังคับใช้ประเภทของฐานข้อมูล
4. ประสิทธิภาพที่ปรับให้เหมาะสม: เมื่อฐานข้อมูลทราบคุณสมบัติที่แน่นอนของเวกเตอร์ (เช่น มิติที่คงที่ ประเภทข้อมูล) ก็สามารถใช้กลยุทธ์การจัดทำดัชนีที่มีเป้าหมายและมีประสิทธิภาพมากขึ้น ตัวอย่างเช่น โครงสร้างดัชนีเฉพาะหรือเลย์เอาต์ข้อมูลสามารถใช้สำหรับเวกเตอร์ float32 ที่มี 768 มิติ ซึ่งนำไปสู่การค้นหาและการรับเข้าที่เร็วขึ้น
5. ค่าใช้จ่ายในการจัดเก็บที่ลดลง: การกำหนดประเภทอย่างชัดเจนบางครั้งอาจทำให้การจัดเก็บมีประสิทธิภาพมากขึ้น ตัวอย่างเช่น หากเวกเตอร์ทั้งหมดเป็น float32 ฐานข้อมูลสามารถจัดสรรหน่วยความจำได้อย่างแม่นยำกว่าหากต้องรองรับการผสมกันของ float32 และ float64
6. การคำนวณความคล้ายคลึงที่คาดเดาได้: การตรวจสอบให้แน่ใจว่าคุณสมบัติเวกเตอร์สอดคล้องกัน (เช่น การทำให้เป็นมาตรฐาน) รับประกันว่าเมตริกความคล้ายคลึงถูกนำไปใช้อย่างถูกต้องและสอดคล้องกันในทุกการสืบค้นและจุดข้อมูล
7. การทำงานร่วมกันที่ดีขึ้น: ด้วยประเภทที่กำหนดไว้อย่างชัดเจน การรวม Embeddings จากโมเดลหรือระบบต่างๆ เข้าด้วยกันจะจัดการได้ง่ายขึ้น โดยมีการแปลงที่สามารถดำเนินการเพื่อให้ตรงกับ Schema เป้าหมายได้

การใช้งานความปลอดภัยของประเภท: กลยุทธ์และข้อควรพิจารณา

การบรรลุความปลอดภัยของประเภทในฐานข้อมูลเวกเตอร์ต้องใช้การออกแบบและการใช้งานที่รอบคอบ นี่คือกลยุทธ์และข้อควรพิจารณาที่สำคัญบางประการ:

1. คำจำกัดความและการบังคับใช้ Schema

นี่คือรากฐานสำคัญของความปลอดภัยของประเภท ฐานข้อมูลจำเป็นต้องมีกลไกสำหรับผู้ใช้ในการกำหนด Schema สำหรับคอลเลกชันเวกเตอร์ของตน

องค์ประกอบ Schema:

• `dimensions` (จำนวนเต็ม): จำนวนองค์ประกอบที่แน่นอนในเวกเตอร์
• `dtype` (enum/string): ประเภทข้อมูลพื้นฐานขององค์ประกอบเวกเตอร์ (เช่น `float32`, `float64`, `int8`) `float32` เป็นประเภทที่พบบ่อยที่สุดเนื่องจากมีความสมดุลระหว่างความแม่นยำและประสิทธิภาพของหน่วยความจำ
• `normalization` (บูลีน, ทางเลือก): ระบุว่าคาดว่าเวกเตอร์จะเป็นมาตรฐานหรือไม่ (เช่น ความยาวหน่วย) ซึ่งอาจเป็น `true`, `false` หรือบางครั้ง `auto` หากฐานข้อมูลสามารถอนุมานหรือจัดการทั้งสองอย่างได้

ตัวอย่างคำจำกัดความ Schema (เชิงแนวคิด):

พิจารณาสถานการณ์ที่คุณกำลังจัดเก็บ Embeddings ข้อความจากโมเดล NLP ทั่วไปเช่น BERT ซึ่งโดยทั่วไปจะสร้างเวกเตอร์ float32 ขนาด 768 มิติ คำจำกัดความ Schema อาจมีลักษณะดังนี้:

            
{
  "collection_name": "document_embeddings",
  "vector_config": {
    "dimensions": 768,
    "dtype": "float32",
    "normalization": true
  },
  "metadata_schema": {
    "document_id": "string",
    "timestamp": "datetime"
  }
}

            

              
                Copy
              
            
          

การตรวจสอบความถูกต้องเมื่อรับเข้า:

เมื่อรับข้อมูล:

• ฐานข้อมูลตรวจสอบมิติของเวกเตอร์ขาเข้ากับ `vector_config.dimensions`
• ตรวจสอบประเภทข้อมูลขององค์ประกอบเวกเตอร์กับ `vector_config.dtype`
• หากตั้งค่า `vector_config.normalization` เป็น `true` ฐานข้อมูลอาจกำหนดให้เวกเตอร์ขาเข้าต้องเป็นมาตรฐานล่วงหน้าหรือทำการทำให้เป็นมาตรฐานเอง ในทางกลับกัน หากตั้งค่าเป็น `false` อาจเตือนหรือปฏิเสธเวกเตอร์ที่เป็นมาตรฐานล่วงหน้า

2. ตัวเลือกประเภทข้อมูลและการแลกเปลี่ยน

ตัวเลือกประเภทข้อมูลสำหรับ Embeddings มีนัยสำคัญ:

• `float32` (ทศนิยมความแม่นยำเดียว):
  • ข้อดี: มีความสมดุลที่ดีระหว่างความแม่นยำและขนาดหน่วยความจำ ได้รับการสนับสนุนอย่างกว้างขวางโดยฮาร์ดแวร์ (GPU, CPU) และไลบรารี ML โดยทั่วไปเพียงพอสำหรับงานค้นหาความคล้ายคลึงส่วนใหญ่
  • ข้อเสีย: ความแม่นยำต่ำกว่า `float64` อาจมีความอ่อนไหวต่อข้อผิดพลาดจากการปัดเศษในการคำนวณที่ซับซ้อน
• `float64` (ทศนิยมความแม่นยำคู่):
  • ข้อดี: ความแม่นยำสูงกว่า ลดผลกระทบของข้อผิดพลาดจากการปัดเศษ
  • ข้อเสีย: ต้องการหน่วยความจำและกำลังประมวลผลเป็นสองเท่าเมื่อเทียบกับ `float32` อาจนำไปสู่ประสิทธิภาพที่ช้าลงและค่าใช้จ่ายที่สูงขึ้น ไม่ค่อยพบเห็นในการเป็นเอาต์พุตหลักของโมเดล Embedding ส่วนใหญ่
• Quantization (เช่น `int8`, `float16`):
  • ข้อดี: ลดการใช้หน่วยความจำลงอย่างมากและสามารถเร่งการค้นหาได้ โดยเฉพาะอย่างยิ่งบนฮาร์ดแวร์ที่มีการสนับสนุนเฉพาะทาง
  • ข้อเสีย: การสูญเสียความแม่นยำซึ่งอาจส่งผลต่อความแม่นยำในการค้นหา ต้องมีการสอบเทียบอย่างระมัดระวังและมักจะต้องใช้เทคนิคการจัดทำดัชนีเฉพาะ ความปลอดภัยของประเภทในที่นี้หมายถึงการบังคับใช้ประเภท quantized อย่างเคร่งครัด

คำแนะนำ: สำหรับฐานข้อมูลเวกเตอร์เอนกประสงค์ส่วนใหญ่ `float32` เป็น `dtype` ที่เป็นมาตรฐานและแนะนำ ความปลอดภัยของประเภทช่วยให้มั่นใจได้ว่าเวกเตอร์ทั้งหมดภายในคอลเลกชันเป็นไปตามนี้ ป้องกันการผสมความแม่นยำโดยไม่ได้ตั้งใจ

3. การจัดการความไม่ตรงกันของมิติ

นี่อาจเป็นส่วนที่สำคัญที่สุดของความปลอดภัยของประเภทสำหรับ Embeddings ระบบที่แข็งแกร่งต้องป้องกันไม่ให้คอลเลกชันจัดเก็บเวกเตอร์ที่มีความยาวต่างกัน

กลยุทธ์:

• การบังคับใช้อย่างเคร่งครัด: ปฏิเสธเวกเตอร์ใดๆ ที่มีมิติไม่ตรงกับ Schema ของคอลเลกชัน นี่คือรูปแบบที่บริสุทธิ์ที่สุดของความปลอดภัยของประเภท
• การแปลง/การเติมอัตโนมัติ (ด้วยความระมัดระวัง): ฐานข้อมูลอาจพยายามเติมเวกเตอร์ที่สั้นกว่าหรือตัดเวกเตอร์ที่ยาวกว่า อย่างไรก็ตาม โดยทั่วไปแล้วนี่เป็นความคิดที่ไม่ดีเนื่องจากเป็นการเปลี่ยนแปลงความหมายเชิงความหมายของ Embedding อย่างสิ้นเชิงและอาจนำไปสู่ผลการค้นหาที่ไร้สาระ ควรจัดการนี้ในระดับแอปพลิเคชัน*ก่อน*การรับเข้า
• หลายคอลเลกชัน: แนวทางที่แนะนำเมื่อต้องจัดการกับโมเดล Embedding ที่แตกต่างกันคือการสร้างคอลเลกชันแยกกัน โดยแต่ละคอลเลกชันมี Schema ที่กำหนดไว้สำหรับมิติ ตัวอย่างเช่น หนึ่งคอลเลกชันสำหรับ BERT Embeddings (768D) และอีกคอลเลกชันสำหรับ CLIP Embeddings (512D)

4. การจัดการการทำให้เป็นมาตรฐาน

คุณสมบัติ `normalization` มีความสำคัญสำหรับเมตริกความคล้ายคลึงเฉพาะ

• Cosine Similarity: โดยทั่วไปจะดำเนินการกับเวกเตอร์ที่เป็นมาตรฐาน หาก Schema ฐานข้อมูลระบุ `normalization: true` สิ่งสำคัญคือเวกเตอร์ทั้งหมดต้องเป็นมาตรฐานจริงๆ
• ความรับผิดชอบของฐานข้อมูล: ฐานข้อมูลที่ปลอดภัยต่อประเภทอาจเสนอตัวเลือก:
  • `require_normalized`: ฐานข้อมูลยอมรับเฉพาะเวกเตอร์ที่เป็นมาตรฐานแล้ว
  • `auto_normalize_on_ingest`**: ฐานข้อมูลจะทำการทำให้เวกเตอร์ขาเข้าเป็นมาตรฐานโดยอัตโนมัติหากยังไม่ได้มาตรฐาน สิ่งนี้สะดวก แต่เพิ่มค่าใช้จ่ายในการคำนวณเล็กน้อย
  • `disallow_normalized`**: ฐานข้อมูลปฏิเสธเวกเตอร์ที่เป็นมาตรฐานแล้ว บังคับใช้การจัดเก็บเวกเตอร์ดิบ