ZeroEntropy and Zilliz Cloud Integration
Integrate Zilliz Cloud with ZeroEntropy to build high-accuracy semantic search using two-stage vector retrieval and reranking.
Utilisez cette intégration gratuitementQu’est-ce que ZeroEntropy
ZeroEntropy est une entreprise d’infrastructure de recherche par IA qui fournit des modèles d’embedding et de reranking via une API conviviale pour les développeurs.
Elle propose deux modèles principaux :
zembed-1(Modèle d’embedding) : Convertit le texte en embeddings vectoriels qui capturent le sens sémantique. Prend en charge des dimensions de sortie configurables — 40, 80, 160, 320, 640, 1 280 ou 2 560 — afin que vous puissiez équilibrer la précision et le coût de stockage. zembed-1 peut réduire les coûts de stockage des bases de données vectorielles jusqu’à 10x par rapport aux alternatives à dimension complète.zerank-2(Modèle de reranking) : Un cross-encoder qui attribue un score de pertinence aux paires requête-document. Plutôt que de s’appuyer uniquement sur la distance vectorielle, il lit la requête et le document ensemble pour évaluer dans quelle mesure ils correspondent.zerank-2prend également en charge le suivi d’instructions : vous pouvez fournir des instructions en langage naturel pour guider le comportement de classement sans réentraîner le modèle.
Les deux modèles sont open-weight et disponibles via l’API ZeroEntropy et le SDK Python.
Comment les embeddings et le reranking de ZeroEntropy fonctionnent avec Zilliz Cloud
ZeroEntropy et Zilliz Cloud fonctionnent ensemble dans un pipeline de recherche en deux étapes :
Étape 1 — Intégrer et rechercher. Vous utilisez
zembed-1pour générer des embeddings vectoriels pour vos documents, puis vous les stockez dans une collection Zilliz Cloud. Lorsqu’une requête arrive, vous l’intégrez avec le même modèle et lancez une recherche de similarité vectorielle dans Zilliz Cloud pour extraire les meilleurs candidats. Cette étape est rapide, même sur des millions de documents.Étape 2 — Réordonner pour plus de précision. Vous transmettez les candidats de l’étape 1 à
zerank-2. Le reranker évalue chaque candidat par rapport à la requête en détail et les réordonne par pertinence. Ce second passage détecte les résultats qui sont sémantiquement proches mais pas réellement pertinents, et fait remonter ceux qui le sont.
Le résultat : Zilliz Cloud gère l’échelle et la vitesse, ZeroEntropy gère la précision.
Pourquoi utiliser ZeroEntropy avec Zilliz Cloud pour créer des applications d’IA
Précision de recherche accrue grâce à une récupération en deux étapes. La recherche par similarité vectorielle trouve des documents proches dans l’espace d’embedding, mais proche ne signifie pas toujours pertinent. L’ajout du reranker de ZeroEntropy comme seconde étape améliore la qualité des résultats en évaluant la pertinence réelle plutôt qu’en s’appuyant uniquement sur la distance vectorielle.
Coûts de stockage réduits grâce à des dimensions d’embedding flexibles.
zembed-1prend en charge des dimensions de sortie de 40 à 2 560. Des embeddings plus petits occupent moins d’espace dans votre collection Zilliz Cloud, réduisant ainsi les coûts de stockage et de mémoire. Associés au reranking, ils vous permettent d’utiliser des embeddings compacts sans perdre en qualité de recherche.Classement spécifique au domaine sans réentraînement du modèle.
zerank-2accepte des instructions en langage naturel en plus de la requête — par exemple, « privilégier les techniques pratiques plutôt que la théorie » ou « classer par récence ». Cela vous permet d’adapter le même pipeline à différents cas d’utilisation (recherche juridique, support client, récupération médicale) sans fine-tuning ni réentraînement.Intégration simple. Le pipeline complet — embedding, stockage, recherche, reranking — tient en quelques lignes de Python avec les SDK
zeroentropyetpymilvus. Zilliz Cloud gère automatiquement l’indexation une fois vos embeddings insérés.Stockage et récupération vectoriels évolutifs. Milvus est conçu pour indexer et rechercher des milliards de vecteurs. À mesure que votre collection de documents s’agrandit, Zilliz Cloud évolue automatiquement pour gérer l’augmentation du volume de données et de la charge de requêtes, afin que le reranker de ZeroEntropy dispose toujours d’une récupération de première étape rapide avec laquelle travailler.
Infrastructure gérée avec indexation automatique. Zilliz Cloud prend en charge la création d’index, le provisionnement des ressources et l’optimisation des performances dès le départ. Vous insérez vos embeddings ZeroEntropy ; Zilliz Cloud s’occupe du reste — aucune configuration manuelle d’index ni gestion d’infrastructure requise.
Comment intégrer ZeroEntropy à Zilliz Cloud
Si vous utilisez Milvus open-source, installez simplement le SDK Python ZeroEntropy (
zeroentropy) et la bibliothèque cliente Milvus (pymilvus). Si vous utilisez Zilliz Cloud (le Milvus géré), c’est beaucoup plus simple. Les modèles d’embedding et de reranking sont intégrés en interne ; aucune dépendance externe n’est requise.Générez des embeddings vectoriels pour vos documents à l’aide de
zembed-1, en spécifiant la taille de dimension souhaitée.Insérez les embeddings dans une collection Zilliz Cloud ou Milvus. Zilliz Cloud gère l’indexation automatiquement.
Pour chaque requête, générez son embedding avec
zembed-1et recherchez dans la collection dans Zilliz Cloud afin de récupérer les meilleurs candidats.Transmettez les candidats à
zerank-2pour les reranker par pertinence. Facultativement, incluez une instruction en langage naturel pour personnaliser le comportement de classement.
Découvrez comment utiliser ZeroEntropy avec Zilliz Cloud
La meilleure façon de commencer est avec un tutoriel pratique. Ce tutoriel vous guide dans la création d’un pipeline de recherche sémantique en deux étapes en utilisant les modèles d’embedding et de reranking de ZeroEntropy avec Milvus.
Tutoriel : recherche sémantique avec ZeroEntropy et Milvus
Et voici quelques ressources supplémentaires :