Couchbase vs MongoDB : choisir la bonne base de données vectorielle pour vos applications d’IA
Qu’est-ce qu’une base de données vectorielle ?
Avant de comparer Couchbase et MongoDB, explorons d’abord le concept de bases de données vectorielles.
Une base de données vectorielle est spécifiquement conçue pour stocker et interroger des vecteurs de haute dimension, qui sont des représentations numériques de données non structurées. Ces vecteurs encodent des informations complexes, telles que la signification sémantique d’un texte, les caractéristiques visuelles des images ou les attributs des produits. En permettant des recherches de similarité efficaces, les bases de données vectorielles jouent un rôle essentiel dans les applications d’IA, permettant une analyse et une récupération des données plus avancées.
Les cas d’utilisation courants des bases de données vectorielles incluent les recommandations de produits en e-commerce, les plateformes de découverte de contenu, la détection d’anomalies en cybersécurité, l’analyse d’images médicales et les tâches de traitement du langage naturel (NLP). Elles jouent également un rôle crucial dans la génération augmentée par récupération (RAG), une technique qui améliore les performances des grands modèles de langage (LLMs) en fournissant des connaissances externes afin de réduire des problèmes tels que les hallucinations de l’IA.
Il existe de nombreux types de bases de données vectorielles disponibles sur le marché, notamment :
- Bases de données vectorielles spécialement conçues telles que Milvus, Zilliz Cloud (Milvus entièrement géré)
- Bibliothèques de recherche vectorielle telles que Faiss et Annoy.
- Bases de données vectorielles légères telles que Chroma et Milvus Lite.
- Bases de données traditionnelles avec des modules complémentaires de recherche vectorielle capables d’effectuer des recherches vectorielles à petite échelle.
Couchbase est une base de données distribuée multi-modèle NoSQL orientée documents, et MongoDB est une base de données NoSQL qui stocke les données dans des documents de type JSON. Toutes deux disposent de capacités de recherche vectorielle sous forme de module complémentaire. Cet article compare leurs capacités de recherche vectorielle.
Couchbase : aperçu et technologie de base
Couchbase est une base de données distribuée, open-source, NoSQL, qui peut être utilisée pour créer des applications pour le cloud, le mobile, l’IA et l’edge computing. Elle combine les points forts des bases de données relationnelles avec la polyvalence de JSON. Couchbase offre également la flexibilité nécessaire pour mettre en œuvre la recherche vectorielle, bien qu’elle ne prenne pas en charge nativement les index vectoriels. Les développeurs peuvent stocker des embeddings vectoriels — des représentations numériques générées par des modèles d’apprentissage automatique — dans les documents Couchbase dans le cadre de leur structure JSON. Ces vecteurs peuvent être utilisés dans des cas d’utilisation de recherche de similarité, tels que les systèmes de recommandation ou la génération augmentée par récupération, tous deux basés sur la recherche sémantique, où il est important de trouver des points de données proches les uns des autres dans un espace de haute dimension.
Une approche pour activer la recherche vectorielle dans Couchbase consiste à exploiter la recherche en texte intégral (FTS). Bien que la FTS soit généralement conçue pour la recherche basée sur le texte, elle peut être adaptée pour gérer les recherches vectorielles en convertissant les données vectorielles en champs interrogeables. Par exemple, les vecteurs peuvent être segmentés en données de type texte, permettant à la FTS de les indexer et de rechercher sur la base de ces jetons. Cela peut faciliter la recherche vectorielle approximative, en fournissant un moyen d’interroger des documents avec des vecteurs proches en termes de similarité.
Alternativement, les développeurs peuvent stocker les embeddings vectoriels bruts dans Couchbase et effectuer les calculs de similarité vectorielle au niveau de l’application. Cela implique de récupérer des documents et de calculer des métriques telles que la similarité cosinus ou la distance euclidienne entre les vecteurs afin d’identifier les correspondances les plus proches. Cette méthode permet à Couchbase de servir de solution de stockage pour les vecteurs tandis que l’application gère la logique de comparaison mathématique.
Pour des cas d’utilisation plus avancés, certains développeurs intègrent Couchbase avec des bibliothèques ou algorithmes spécialisés (comme FAISS ou HNSW) qui permettent une recherche vectorielle efficace. Ces intégrations permettent à Couchbase de gérer le magasin de documents tandis que les bibliothèques externes effectuent les comparaisons vectorielles réelles. De cette manière, Couchbase peut toujours faire partie d’une solution prenant en charge la recherche vectorielle.
En utilisant ces approches, Couchbase peut être adapté pour gérer des fonctionnalités de recherche vectorielle, ce qui en fait une option flexible pour diverses tâches d’IA et de machine learning qui reposent sur des recherches de similarité.
MongoDB : Présentation et technologie de base
MongoDB Atlas Vector Search est une fonctionnalité qui vous permet d’effectuer des recherches de similarité vectorielle sur des données stockées dans MongoDB Atlas. Vous pouvez indexer et interroger des embeddings vectoriels de haute dimension avec vos données documentaires et faire de l’IA et du machine learning directement dans la base de données.
À la base, Atlas Vector Search utilise l’algorithme Hierarchical Navigable Small World (HNSW) pour l’indexation et la recherche de données vectorielles. Cela crée un graphe multiniveau de l’espace vectoriel afin que vous puissiez effectuer des recherches Approximate Nearest Neighbor (ANN). C’est un équilibre entre vitesse et précision pour la recherche vectorielle à grande échelle. Atlas Vector Search prend également en charge les recherches Exact Nearest Neighbors (ENN), qui privilégient la précision plutôt que les performances pour les requêtes portant sur jusqu’à 10 000 documents.
L’un des grands avantages d’Atlas Vector Search est son intégration avec le modèle de document flexible de MongoDB. Vous pouvez stocker des embeddings vectoriels avec d’autres données documentaires afin de rechercher de manière plus contextuelle et précise. Vous pouvez interroger tout type de données pouvant être intégré jusqu’à 4096 dimensions. Atlas Vector Search vous permet de combiner des recherches de similarité vectorielle avec un filtrage documentaire traditionnel. Par exemple, une recherche sémantique de produits pourrait être filtrée par catégorie, fourchette de prix ou disponibilité.
Atlas Vector Search prend également en charge la recherche hybride, combinant la recherche vectorielle avec la recherche en texte intégral pour des résultats plus granulaires. C’est différent d’Atlas Search, qui se concentre sur la recherche basée sur les mots-clés. La plateforme s’intègre à des services et outils d’IA populaires afin que vous puissiez l’utiliser avec des modèles d’embedding de fournisseurs comme OpenAI, VoyageAI et beaucoup d’autres répertoriés sur Hugging Face. Elle prend également en charge des frameworks open-source comme LangChain et LlamaIndex pour créer des applications qui utilisent des Large Language Models (LLMs).
Pour garantir l’évolutivité et les performances, MongoDB Atlas fournit des Search Nodes, qui offrent une infrastructure dédiée aux charges de travail Atlas Search et Vector Search. Cela vous permet de disposer de ressources de calcul optimisées et d’une mise à l’échelle indépendante des besoins de recherche afin d’obtenir de meilleures performances à grande échelle.
En disposant de ces capacités dans l’écosystème MongoDB, Atlas Vector Search est une solution complète pour les développeurs qui créent des applications alimentées par l’IA, des systèmes de recommandation ou des fonctionnalités de recherche avancées. Pas besoin d’une base de données vectorielle distincte, vous pouvez utiliser l’évolutivité et les fonctionnalités riches de MongoDB avec la recherche vectorielle.
Principales différences
Méthodologie de recherche
Couchbase : Pas d’index vectoriels natifs, mais peut effectuer une recherche vectorielle approximative avec des solutions de contournement comme la tokenisation des vecteurs pour Full Text Search (FTS). Ou effectuer des calculs de similarité au niveau de l’application ou avec des bibliothèques externes comme FAISS ou HNSW. Ces options offrent de la flexibilité, mais nécessitent un effort de développement important pour la mise en œuvre et l’optimisation.
MongoDB : Atlas Vector Search offre une prise en charge native des embeddings vectoriels et de l’indexation avec HNSW pour les recherches de plus proches voisins approximatifs (ANN). Il prend également en charge les plus proches voisins exacts (ENN) pour les requêtes à petite échelle. Recherche hybride intégrée (combinant recherche vectorielle et recherche plein texte) pour les requêtes complexes.
Gestion des données
Couchbase : Gère les données structurées et semi-structurées avec son modèle de documents JSON. Vous pouvez stocker les embeddings vectoriels dans le cadre de la structure JSON, mais une logique supplémentaire est nécessaire pour intégrer les vecteurs à la recherche.
MongoDB : Utilise également un modèle de documents flexible avec une meilleure intégration des embeddings vectoriels directement dans les requêtes et l’indexation. Les développeurs peuvent intégrer des métadonnées supplémentaires aux côtés des vecteurs pour le filtrage contextuel.
Évolutivité et performances
Couchbase : S’adapte bien pour le stockage et la récupération de documents en général. Mais les performances de recherche vectorielle dépendent de la stratégie de mise en œuvre. Le stockage de vecteurs bruts et la délégation des calculs de similarité à des bibliothèques externes auront un impact sur la latence, en particulier à grande échelle.
MongoDB : Atlas Vector Search s’adapte bien avec des Search Nodes dédiés aux charges de travail vectorielles, de sorte que les performances sont isolées des autres opérations de base de données.
Flexibilité et personnalisation
Couchbase : Très flexible pour créer des solutions personnalisées de recherche vectorielle. Vous pouvez combiner des bibliothèques externes, effectuer des calculs au niveau de l’application ou adapter FTS. Mais cette flexibilité se fait au détriment de la simplicité et nécessite davantage d’efforts techniques.
MongoDB : Solution prête à l’emploi avec des capacités de recherche vectorielle intégrées, tout en restant flexible pour les requêtes documentaires traditionnelles et le filtrage par métadonnées. La recherche hybride facilite la gestion de différents types de requêtes.
Intégration et écosystème
Couchbase : S’intègre bien à de nombreuses applications, mais ne propose pas d’intégrations directes avec les frameworks AI/ML ou les modèles d’embeddings. Les développeurs doivent créer eux-mêmes les pipelines.
MongoDB : S’intègre avec des fournisseurs d’embeddings comme OpenAI et Hugging Face et prend en charge des frameworks comme LangChain et LlamaIndex. MongoDB est donc une option plus conviviale pour les développeurs d’applications AI/ML.
Facilité d’utilisation
Couchbase : Nécessite beaucoup d’efforts manuels pour mettre en œuvre la recherche vectorielle. La documentation est bonne, mais l’absence de recherche vectorielle native signifie une courbe d’apprentissage plus raide pour les développeurs novices en embeddings vectoriels.
MongoDB : Meilleure expérience avec des outils de recherche vectorielle natifs, une documentation détaillée et des ressources pour les développeurs. Atlas Vector Search fait partie de l’écosystème MongoDB, donc la configuration et la maintenance sont plus faciles.
Coût
Couchbase : Les coûts dépendent des ressources de stockage et de calcul utilisées, mais des outils externes supplémentaires ou un développement personnalisé augmenteront le coût global.
MongoDB : Atlas Vector Search fait partie de MongoDB Atlas et les coûts concernent les services gérés et l’infrastructure de recherche dédiée. Bien que plus coûteux au départ, il peut compenser les coûts opérationnels.
Sécurité
Couchbase : Sécurité de niveau entreprise, chiffrement, authentification et contrôle d’accès, mais une mise en œuvre personnalisée de la recherche vectorielle introduira des risques de sécurité à moins d’être gérée avec soin.
MongoDB : Fonctionnalités de sécurité solides, chiffrement, contrôle d’accès basé sur les rôles et intégration avec des services gérés comme AWS et GCP pour les besoins de conformité. La recherche vectorielle native réduit l’exposition liée aux outils externes.
Quand utiliser Couchbase
Couchbase convient aux applications qui nécessitent une base de données NoSQL hautement distribuée et flexible avec une forte prise en charge de JSON. Convient aux cas d’utilisation où le principal besoin est le stockage et la récupération de données à usage général et où la recherche vectorielle peut être ajoutée après coup à l’aide de bibliothèques externes ou d’une logique personnalisée. Convient aux scénarios où la recherche vectorielle est une exigence secondaire, comme le stockage de données distribuées à grande échelle pour des systèmes de recommandation ou des tâches de génération augmentée par récupération avec des calculs effectués en dehors de la base de données.
Quand utiliser MongoDB
MongoDB est adapté aux développeurs qui souhaitent une solution de recherche vectorielle entièrement intégrée à une base de données documentaire. Sa fonctionnalité native Atlas Vector Search prend en charge des cas d’utilisation avancés comme les requêtes hybrides qui combinent similarité vectorielle et recherche en texte intégral. Il est adapté aux applications alimentées par l’IA comme les moteurs de recherche sémantique, les recommandations personnalisées ou l’IA conversationnelle. L’intégration de MongoDB avec les fournisseurs d’embeddings et les frameworks d’IA populaires en fait un bon choix pour les équipes qui souhaitent créer des workflows complexes de machine learning avec une configuration minimale.
Résumé
Couchbase et MongoDB ont tous deux leurs points forts, Couchbase est adapté à la flexibilité et au stockage de données distribué, et MongoDB est adapté à la recherche vectorielle et aux applications centrées sur l’IA. Le choix dépend de votre cas d’utilisation : Couchbase est adapté aux applications qui privilégient les fonctionnalités NoSQL et la scalabilité, et MongoDB est adapté aux workflows d’IA et aux applications qui nécessitent une recherche vectorielle intégrée. Évaluez vos types de données, vos exigences d’intégration et vos besoins en performances pour décider lequel vous convient le mieux.
Lisez ceci pour obtenir un aperçu de Couchbase et MongoDB, mais pour les évaluer, vous devez le faire en fonction de votre cas d’utilisation. Un outil qui peut vous y aider est VectorDBBench, un outil de benchmarking open-source pour la comparaison de bases de données vectorielles. Au final, un benchmarking approfondi avec vos propres jeux de données et schémas de requêtes sera essentiel pour prendre une décision entre ces deux approches puissantes mais différentes de la recherche vectorielle dans les systèmes de bases de données distribuées.
Utiliser VectorDBBench open-source pour évaluer et comparer les bases de données vectorielles par vous-même
VectorDBBench est un outil de benchmarking open-source destiné aux utilisateurs qui ont besoin de systèmes de stockage et de récupération de données hautes performances, en particulier des bases de données vectorielles. Cet outil permet aux utilisateurs de tester et de comparer différents systèmes de bases de données vectorielles comme Milvus et Zilliz Cloud (le Milvus managé) à l’aide de leurs propres jeux de données et de trouver celui qui correspond à leurs cas d’utilisation. Avec VectorDBBench, les utilisateurs peuvent prendre des décisions basées sur les performances réelles des bases de données vectorielles plutôt que sur des affirmations marketing ou des ouï-dire.
VectorDBBench est écrit en Python et sous licence open-source MIT, ce qui signifie que chacun peut l’utiliser, le modifier et le distribuer librement. L’outil est activement maintenu par une communauté de développeurs déterminés à améliorer ses fonctionnalités et ses performances.
Téléchargez VectorDBBench depuis son dépôt GitHub pour reproduire nos résultats de benchmark ou obtenir des résultats de performance sur vos propres jeux de données.
Jetez un coup d’œil rapide aux performances des principales bases de données vectorielles sur le classement VectorDBBench.
Lisez les blogs suivants pour en savoir plus sur l’évaluation des bases de données vectorielles.
Ressources supplémentaires sur VectorDB, GenAI et ML
Continuer à lire
Build Multimodal Search for 3D Assets with Tripo and Zilliz Cloud
Generate 3D assets with Tripo, then search them by text, image, and metadata with multimodal embeddings and Zilliz Cloud.
Zilliz Cloud Launches in AWS Australia, Expanding Global Reach to Australia and Neighboring Markets
We're thrilled to announce that Zilliz Cloud is now available in the AWS Sydney, Australia region (ap-southeast-2).
Zilliz Cloud Enterprise Vector Search Powers High-Performance AI on AWS
Zilliz Cloud on AWS powers secure, scalable, ultra-fast vector search for enterprise AI apps, with BYOC, sub-10ms latency, and zero-DevOps simplicity.
The Definitive Guide to Choosing a Vector Database
Overwhelmed by all the options? Learn key features to look for & how to evaluate with your own data. Choose with confidence.