Vespa bietet eine umfassende Reihe von Funktionen, die man in einer Suchmaschine suchen würde, insbesondere in mehr Ranking-Fähigkeiten (z.B. Nutzung von ML-Modellen) und Leistung als das, was Elasticsearch standardmäßig bietet. Sie machen auch ständig Fortschritte in neuen Fähigkeiten, die eine schöne Hybridlösung zwischen Vektordatenbanken und einer herkömmlichen Suchmaschine bieten. Besonders für unser Geschäftsproblem bei OkCupid, potenzielle Matches für Millionen anderer Nutzer basierend auf einer Vielzahl von Faktoren und Ranking-Algorithmen zu empfehlen, war Vespa eine großartige Lösung, um nicht nur diese Anwendungsfälle zu erfüllen, sondern auch die Entwicklungs- und Iterations-Workflows unseres Teams in unserem Empfehlungssystem zu verbessern. Das Vespa-Team ist auch sehr aktiv auf Slack: https://vespatalk.slack.com/ssb/redirect und wirklich kollaborativ. In meinem Fall arbeiteten wir mit einem Ingenieur aus ihrem Team zusammen, der half, Verbesserungsänderungen in die Engine einzubringen, um uns bei der Erfüllung unserer Anwendungsfälle zu unterstützen.

Leistungsstarke Suchfunktionen: Die Suchmaschine von Vespa.ai liefert blitzschnelle und hochrelevante Ergebnisse, selbst bei komplexen Anfragen über umfangreiche Datensätze. Ihre fortschrittlichen linguistischen Fähigkeiten gewährleisten ein genaues Verständnis der Suchabsicht. Skalierbare Architektur: Ich muss mir keine Sorgen über die Skalierung mit dem Vespa-Cloud-Angebot machen. Reiche Filter- und Ranking-Funktionen: Vespa bietet umfangreiche Möglichkeiten zum Filtern, Ranken und Mischen von Ergebnissen basierend auf mehreren Kriterien und maschinellen Lernmodellen. Wir nutzen ihre HNSW- und BM25-Rankings. Integration von maschinellem Lernen: Ihre enge Integration mit fortschrittlichen maschinellen Lern-Frameworks wie TensorFlow und PyTorch ermöglicht eine einfache Bereitstellung von benutzerdefinierten ML-Modellen für Ranking, Empfehlungen und andere Anwendungsfälle. Kundenservice der Spitzenklasse: Das Vespa-Team war äußerst reaktionsschnell auf meine Fragen zur Implementierung bestimmter Funktionen.

Bewährte Skalierbarkeit mit planetenweiten Bereitstellungen. Intern bei Yahoo verwendet. Selbstgehostet mit Docker und Kubernetes oder cloudbasiert mit automatischer Skalierung und automatisierten Updates. Bereitstellung aus Konfiguration, mit API oder CLI. Vektorsuche mit selbstgehosteten und entfernten Einbettungsmodellen. Hybridsuche. Sehr leistungsstarke Ranking-Sprache. Mehrstufig: Abruf, Ranking, Neuranking. Großartige Unterstützung auf GitHub.