Características de Weaviate

Permite el servicio de búsqueda semántica mediante la organización de datos.

Permite la indexación de datos para búsqueda y recuperación.

La función ayuda a filtrar consultas por metadatos, logrando así una búsqueda precisa.

Esta característica integra vectores e índices de metadatos en un único índice.

Orquesta los pasos de recuperación, reordenamiento y enriquecimiento dentro de los flujos de trabajo RAG

Optimiza la selección de fragmentos, el ensamblaje de contexto y la fundamentación específicamente para el consumo de LLM.

Permite la afinación avanzada de estrategias de recuperación léxica, semántica y reordenada.

Proporciona información sobre el comportamiento de las consultas, la calidad de recuperación y el rendimiento de relevancia.

Garantiza la resiliencia a través de la redundancia, el failover y los mecanismos de recuperación.

Gestiona las actualizaciones de incrustaciones, la reindexación y los cambios de versión del modelo a lo largo del tiempo.

Habilita la búsqueda semántica en texto, imágenes, audio o video utilizando incrustaciones.

Permite a los equipos traer sus propios modelos de incrustación o proveedores de LLM y cambiarlos sin necesidad de reestructurar.

Admite actualizaciones de índice casi en tiempo real a medida que cambian los datos de origen

Enriquece el contenido utilizando fragmentación, inferencia de metadatos, extracción de entidades u OCR durante la indexación.

Aplica permisos a nivel de documento, campo o metadatos durante la recuperación

Admite controles de datos regionales, reglas de retención y cumplimiento normativo

Rastrea consultas, contenido recuperado y decisiones de acceso para cumplimiento y depuración

Permite un control detallado sobre la clasificación utilizando reglas, ponderaciones, bucles de retroalimentación o modelos de aprendizaje para clasificar.

Mejora la calidad de recuperación mediante la reescritura de consultas, la expansión semántica o la detección de intenciones.

Admite tuberías de recuperación de múltiples pasos donde los candidatos iniciales se reordenan utilizando enfoques basados en ML o LLM.

Ajusta la recuperación y clasificación basándose en el contexto del usuario, el comportamiento o las señales a nivel de aplicación.