MongoDB vs Aerospike : choisir la bonne base de données pour les applications GenAI
À mesure que les applications pilotées par l’IA évoluent, l’importance des capacités de recherche vectorielle pour soutenir ces avancées ne peut être surestimée. Cet article de blog abordera deux bases de données importantes dotées de capacités de recherche vectorielle : MongoDB et Aerospike. Chacune offre des capacités robustes pour gérer la recherche vectorielle, une fonctionnalité essentielle pour des applications telles que les moteurs de recommandation, la recherche d’images et la recherche sémantique. Notre objectif est de fournir aux développeurs et aux ingénieurs une comparaison claire, afin de les aider à déterminer quelle base de données correspond le mieux à leurs exigences spécifiques.
Qu’est-ce qu’une base de données vectorielle ?
Avant de comparer MongoDB à Aerospike, explorons d’abord le concept de bases de données vectorielles.
Une base de données vectorielle est spécialement conçue pour stocker et interroger des vecteurs de grande dimension, qui sont des représentations numériques de données non structurées. Ces vecteurs encodent des informations complexes, telles que le sens sémantique d’un texte, les caractéristiques visuelles d’images ou les attributs de produits. En permettant des recherches de similarité efficaces, les bases de données vectorielles jouent un rôle central 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 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.
MongoDB est une base de données NoSQL qui stocke les données dans des documents de type JSON ****et Aerospike est une base de données NoSQL distribuée et évolutive. Toutes deux disposent de capacités de recherche vectorielle sous forme de module complémentaire. Cet article compare leurs capacités de recherche vectorielle.
MongoDB : les bases
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 grande dimension avec vos données documentaires et effectuer de l’IA et du machine learning directement dans la base de données.
Au cœur d’Atlas Vector Search se trouve l’algorithme Hierarchical Navigable Small World (HNSW) pour l’indexation et la recherche de données vectorielles. Celui-ci crée un graphe multiniveau de l’espace vectoriel afin que vous puissiez effectuer des recherches Approximate Nearest Neighbor (ANN). Il offre 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 allant 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 vector embeddings avec d’autres données de document afin de pouvoir effectuer des recherches 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 par similarité vectorielle avec le filtrage traditionnel de documents. 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 obtenir des résultats plus granulaires. Cela diffère d’Atlas Search, qui est axé sur la recherche basée sur des mots-clés. La plateforme s’intègre aux services et outils d’IA populaires afin que vous puissiez l’utiliser avec des modèles d’embeddings 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 de grands modèles de langage (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 constitue 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 séparée, vous pouvez utiliser l’évolutivité et les riches fonctionnalités de MongoDB avec la recherche vectorielle.
Aerospike : Les bases
Aerospike est une base de données NoSQL pour les applications en temps réel à hautes performances. Elle a ajouté la prise en charge de l’indexation et de la recherche vectorielles, ce qui la rend adaptée aux cas d’utilisation de bases de données vectorielles. La capacité vectorielle s’appelle Aerospike Vector Search (AVS) et est en Preview. Vous pouvez demander un accès anticipé auprès d’Aerospike.
AVS prend uniquement en charge les index Hierarchical Navigable Small World (HNSW) pour la recherche vectorielle. Lorsque des mises à jour ou des insertions sont effectuées dans AVS, les données d’enregistrement, y compris le vecteur, sont écrites dans Aerospike Database (ASDB) et sont immédiatement visibles. Pour l’indexation, chaque enregistrement doit avoir au moins un vecteur dans le champ vectoriel spécifié d’un index. Vous pouvez avoir plusieurs vecteurs et index pour un seul enregistrement, ce qui vous permet de rechercher les mêmes données de différentes manières. Aerospike recommande d’affecter les enregistrements upserted à un ensemble spécifique afin que vous puissiez les surveiller et agir dessus.
AVS a une manière unique de construire l’index : elle est concurrente sur tous les nœuds AVS. Alors que les mises à jour des enregistrements vectoriels sont écrites directement dans ASDB, les enregistrements d’index sont traités de manière asynchrone depuis une file d’attente d’indexation. Cela se fait par lots et est distribué sur tous les nœuds AVS, de sorte que cela utilise tous les cœurs CPU du cluster AVS et est évolutif. Les performances d’ingestion dépendent fortement de la mémoire de l’hôte et de la configuration de la couche de stockage.
Pour chaque élément de la file d’attente d’indexation, AVS traite le vecteur pour l’indexation, construit les clusters pour chaque vecteur et les valide dans ASDB. Un enregistrement d’index contient une copie du vecteur lui-même et les clusters pour ce vecteur à une couche donnée du graphe HNSW. L’indexation utilise des extensions vectorielles (AVX) pour le traitement parallèle single instruction, multiple data.
AVS exécute des requêtes pendant l’ingestion pour « pré-hydrater » le cache d’index, car les enregistrements dans les clusters sont interconnectés. Ces requêtes ne sont pas comptées comme des demandes de requête, mais apparaissent comme des lectures au niveau de la couche de stockage. De cette manière, le cache est alimenté avec des données pertinentes et peut améliorer les performances des requêtes. Cela montre comment AVS gère les données vectorielles et construit des index pour la recherche par similarité afin de pouvoir évoluer pour les recherches vectorielles à haute dimension.
Principales différences
En matière de recherche vectorielle, MongoDB et Aerospike offrent tous deux de bonnes options. En tant que développeur souhaitant ajouter la recherche vectorielle à votre application, comprendre les différences entre les deux vous aidera à prendre une décision. Comparons MongoDB Atlas Vector Search et Aerospike Vector Search (AVS) sur quelques points clés.
Méthodologie de recherche
MongoDB Atlas Vector Search et Aerospike Vector Search utilisent tous deux l’algorithme Hierarchical Navigable Small World (HNSW) pour l’indexation et la recherche de données vectorielles. Cet algorithme crée un graphe multiniveau de l’espace vectoriel afin que vous puissiez effectuer des recherches Approximate Nearest Neighbor (ANN). MongoDB Atlas prend également en charge les recherches Exact Nearest Neighbors (ENN) pour les requêtes allant jusqu’à 10 000 documents. Cela offre aux utilisateurs de MongoDB davantage de flexibilité pour équilibrer vitesse et précision en fonction de leur cas d’utilisation.
Données
Le modèle de document flexible de MongoDB vous permet de stocker des embeddings vectoriels avec d’autres données de document. Cela permet des recherches plus contextuelles et précises, car vous pouvez combiner des recherches par similarité vectorielle avec un filtrage traditionnel de documents. Par exemple, vous pouvez effectuer une recherche sémantique de produits et filtrer les résultats par catégorie, fourchette de prix ou disponibilité.
Aerospike est principalement un magasin clé-valeur et a ajouté des capacités d’indexation et de recherche vectorielles. Il autorise plusieurs vecteurs et index pour un seul enregistrement, ce qui vous offre de la flexibilité dans la manière dont vous pouvez rechercher vos données. Mais son modèle de données peut ne pas être aussi flexible que l’approche basée sur les documents de MongoDB pour gérer des données semi-structurées ou non structurées.
Évolutivité et performances
MongoDB Atlas dispose de Search Nodes qui fournissent une infrastructure dédiée aux charges de travail Atlas Search et Vector Search. Cela permet d’optimiser les ressources de calcul et de faire évoluer indépendamment les besoins de recherche, afin d’obtenir de meilleures performances à grande échelle.
L’approche d’Aerospike pour construire l’index est différente. Il traite les enregistrements d’index à partir d’une file d’indexation de manière asynchrone sur tous les nœuds AVS. Cela utilise tous les cœurs CPU du cluster AVS, ce qui pourrait être plus évolutif pour la construction d’index. Aerospike utilise également une technique de « pré-hydratation » pendant l’ingestion pour remplir le cache d’index avec des données pertinentes, ce qui peut améliorer les performances des requêtes.
Flexibilité et personnalisation
MongoDB Atlas Vector Search prend en charge plusieurs métriques de distance pour les calculs de similarité et peut fonctionner avec des embeddings provenant de n’importe quel fournisseur jusqu’à 4096 dimensions. Il prend également en charge la recherche hybride, combinant la recherche vectorielle avec la recherche en texte intégral pour des résultats plus précis.
Aerospike Vector Search, bien que limité à la préversion actuelle, autorise plusieurs vecteurs et index par enregistrement. Cela peut être utile pour rechercher les mêmes données de différentes manières.
Intégration et écosystème
MongoDB Atlas s’intègre aux services et outils d’IA populaires, fonctionne avec des modèles d’embeddings d’OpenAI, VoyageAI et de nombreux autres répertoriés sur Hugging Face. Il prend également en charge l’intégration avec LangChain et LlamaIndex pour créer des applications alimentées par l’IA.
Aerospike s’intègre également à des frameworks populaires comme LangChain.
Facilité d’utilisation
MongoDB est connu pour être convivial pour les développeurs, avec beaucoup de documentation et une grande communauté. Atlas, en tant que service géré, peut simplifier la configuration et la maintenance.
Aerospike présente une courbe d’apprentissage plus abrupte si vous n’êtes pas familier avec son architecture. Sa recherche vectorielle est en préversion, elle peut donc disposer de moins de documentation et de soutien communautaire par rapport à des options plus établies.
Coût
MongoDB Atlas dispose d’un modèle de tarification par paliers, les coûts varient en fonction de votre utilisation et des fonctionnalités. Vous devez vérifier si la recherche vectorielle entre dans votre budget.
La tarification d’Aerospike n’est pas disponible publiquement, vous devez les contacter pour plus d’informations. Prenez en compte à la fois les coûts logiciels et les coûts d’infrastructure pour exécuter Aerospike.
Quand utiliser chacun
MongoDB Atlas Vector Search est idéal pour les applications qui ont besoin d’un modèle de données flexible et doivent intégrer la recherche vectorielle aux requêtes documentaires classiques. Il est parfait pour les projets qui impliquent des données complexes et semi-structurées et qui doivent effectuer des recherches hybrides combinant la similarité vectorielle avec la recherche en texte intégral. MongoDB est idéal lorsque vous devez stocker et interroger différents types de données aux côtés d’embeddings vectoriels, comme des systèmes de recommandation de contenu, des moteurs de recherche sémantique ou des plateformes d’analytique alimentées par l’IA qui utilisent de grands modèles de langage. Il est également excellent pour les développeurs qui construisent des applications d’IA devant fonctionner à la fois sur des données structurées et non structurées et s’intégrer à des services et outils d’IA populaires.
Aerospike Vector Search est idéal pour les applications en temps réel à haute performance qui sont principalement clé-valeur, mais qui ont besoin de recherche vectorielle. Il est parfait pour les cas d’utilisation qui exigent une latence extrêmement faible et un débit élevé, comme les systèmes d’enchères en temps réel, les moteurs de détection de fraude ou les réseaux de diffusion de contenu personnalisé. L’approche d’Aerospike en matière de création d’index et de pré-hydratation du cache peut offrir des avantages significatifs en termes de performance dans les scénarios où la vitesse d’ingestion des données et la vitesse des requêtes sont critiques. Même si son modèle de données n’est peut-être pas aussi flexible que celui de MongoDB, Aerospike est le meilleur choix pour les applications qui privilégient la performance brute et la mise à l’échelle plutôt que des exigences complexes de modélisation des données.
Résumé
MongoDB Atlas Vector Search est une solution complète qui combine la flexibilité d’une base de données documentaire avec des capacités de recherche vectorielle, idéale pour les applications complexes pilotées par l’IA qui doivent gérer des données variées. Sa force réside dans l’intégration de la recherche vectorielle avec les requêtes classiques, les recherches hybrides et un riche écosystème d’outils d’IA. Aerospike Vector Search est plus spécialisé et excelle dans les scénarios en temps réel à haute performance où une faible latence et un débit élevé sont essentiels. Son approche de l’indexation et son orientation vers la performance en font un bon choix pour des cas d’utilisation spécifiques qui nécessitent vitesse et mise à l’échelle. En fin de compte, le choix entre MongoDB et Aerospike pour la recherche vectorielle doit être guidé par les exigences de votre application, la complexité des données, les besoins en performance et les exigences de scalabilité. Tenez compte de votre infrastructure existante, de la nature de vos données, des modèles de requêtes et du niveau d’intégration avec les outils et services d’IA lorsque vous prenez votre décision.
Lisez ceci pour obtenir un aperçu de MongoDB et d’Aerospike, 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 comparer les bases de données vectorielles. Au final, un benchmarking approfondi avec vos propres jeux de données et modèles 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 à haute performance, 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 géré) 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 publié sous licence open source MIT, ce qui signifie que chacun peut librement l’utiliser, le modifier et le distribuer. L’outil est activement maintenu par une communauté de développeurs déterminés à améliorer ses fonctionnalités et ses performances.
Téléchargez VectorDBBench depuis son référentiel GitHub pour reproduire nos résultats de benchmark ou obtenir des résultats de performance sur vos propres jeux de données.
Jetez un rapide coup d’œil aux performances des bases de données vectorielles grand public 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
Introducing Functions and Model Inference on Zilliz Cloud: Automatic Embedding and Reranking with Hosted Models
Zilliz Cloud Functions auto-generate embeddings via OpenAI, Voyage AI, Cohere, or Zilliz Hosted Models. Built-in reranking — just insert text and search.
Why I’m Against Claude Code’s Grep-Only Retrieval? It Just Burns Too Many Tokens
Learn how vector-based code retrieval cuts Claude Code token consumption by 40%. Open-source solution with easy MCP integration. Try claude-context today.
Why Deepseek is Waking up AI Giants Like OpenAI And Why You Should Care
Discover how DeepSeek R1's open-source AI model with superior reasoning capabilities and lower costs is disrupting the AI landscape and challenging tech giants like OpenAI.
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.