Scality宣布其RING对象存储系统已准备好支持检索增强生成(RAG)工作流,可与向量数据库和LangChain框架结合,为GPT等AI模型提供数据支持。
LangChain提供了将外部数据、内存和工具集成到AI工作流中的工具。在这种情况下,外部数据就是Scality的RING对象存储。向量数据库存储通过数学计算得出的向量,这些向量代表非结构化数据标记化片段的多个方面和维度。GPT或Llama等生成式AI模型只有在客户专有的非结构化数据被转换为向量并提供给它们时,才能在生成响应时使用这些数据。
如果没有这样的向量化处理,RING存储的数据对模型来说是不可见的。AI模型通常在静态、通用数据上进行训练。RAG(检索增强生成)技术让它们能够访问客户的专有数据,这些数据可以是静态的(历史数据)、当前的(实时数据)或两者兼有。这意味着模型能够更好地理解请求的背景和数据环境,从而提供更有针对性的响应。
Scality可以使用LangChain工具将选定的RING内容进行向量化,将其存储在Milvus向量数据库中,并使其可用于GPT-3.5、GPT-4、Llama等AI模型。
根据Scality的文章解释,向量嵌入以代表其含义的方式表示非结构化源数据。输入请求本身也被向量化,输入向量集提供了输入请求含义的抽象表示。然后,大语言模型或智能体在存储从Scality RING系统生成向量的Milvus数据库中搜索相似的向量。
Scality表示:"这使系统能够检索与用户查询在语义上匹配的内容。"例如,询问"如何管理2型糖尿病?"的输入查询可能使模型检测并使用关于"胰岛素敏感性"或"低升糖指数饮食"的文档,因为在语义搜索terms中,它们与输入请求生成的向量集接近。
向量数据库提供基于索引技术的近似最近邻(ANN)等搜索功能。ANN在非常大的搜索空间中寻找与输入模式最接近的近似模式。搜索空间如此之大,以至于逐一检查每个数据点以找到绝对最匹配项是不现实的,会耗费太长时间。
Scality选择Milvus而非其他向量数据库,是因为其查询速度、可扩展性、直接的LangChain集成以及在不同类型数据集上的精度。
公司提供了RING-LangChain-Milvus-GPT 3.5交互的代码示例。
AI推理和训练越来越关注对象存储,而不仅仅是文件存储。Cloudian、DDN、MinIO和VAST Data等供应商都在强调其作为RAG源数据存储和AI管道支持功能的优势。我们可能期待Scality进一步发展这一领域,通过更深入和扩展的功能组件集成来完善其解决方案。
Q&A
Q1:Scality RING如何支持RAG工作流?
A:Scality RING对象存储通过与LangChain框架和向量数据库结合,可以将存储的非结构化数据向量化,然后存储在Milvus向量数据库中,使GPT等AI模型能够访问和使用客户的专有数据进行响应生成。
Q2:为什么需要将数据向量化才能被AI模型使用?
A:因为AI模型通常在静态、通用数据上训练,无法直接理解非结构化数据。通过向量化处理,数据被转换为数学向量形式,代表其含义和维度,这样AI模型就能理解和使用这些专有数据。
Q3:Scality为什么选择Milvus作为向量数据库?
A:Scality选择Milvus是因为其查询速度快、可扩展性强、能直接与LangChain集成,并且在不同类型数据集上具有高精度,这些特性使其成为支持RAG工作流的理想选择。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。