メインコンテンツまでスキップ
バージョン: User Guides (Cloud)

バイナリベクトル

バイナリベクトルは、従来の高次元浮動小数点ベクトルを0と1のみを含むバイナリベクトルに変換する特殊なデータ表現形式です。この変換により、ベクトルのサイズが圧縮されるだけでなく、ストレージと計算コストが削減され、同時に意味情報が保持されます。重要でない特徴の精度が不可欠でない場合、バイナリベクトルは元の浮動小数点ベクトルの完全性と有用性のほとんどを効果的に維持できます。

バイナリベクトルは、特に計算効率とストレージ最適化が重要な状況で、幅広いアプリケーションを持っています。検索エンジンやレコメンデーションシステムのような大規模なAIシステムでは、大量のデータをリアルタイムで処理することが鍵となります。バイナリベクトルは、ベクトルのサイズを削減することで、精度を大幅に犠牲にすることなく、レイテンシと計算コストを低減するのに役立ちます。さらに、バイナリベクトルは、モバイルデバイスや組み込みシステムなど、メモリと処理能力が限られているリソース制約のある環境で役立ちます。バイナリベクトルを使用することで、これらの制限された設定で複雑なAI機能を実装しながら、高いパフォーマンスを維持できます。

概要​

バイナリベクトルは、複雑なオブジェクト（画像、テキスト、音声など）を固定長のバイナリ値にエンコードする方法です。Zilliz Cloudクラスターでは、バイナリベクトルは通常、ビット配列またはバイト配列として表現されます。たとえば、8次元のバイナリベクトルは[1, 0, 1, 1, 0, 0, 1, 0]として表現できます。

以下の図は、バイナリベクトルがテキストコンテンツ内のキーワードの存在をどのように表現するかを示しています。この例では、10次元のバイナリベクトルを使用して2つの異なるテキスト（テキスト1とテキスト2）を表現しており、各次元は語彙内の単語に対応しています。1はテキスト内に単語が存在することを示し、0は存在しないことを示します。

TuIGwtyEkh9g04bvo0icsWdynBd

バイナリベクトルには以下の特徴があります。

  • 効率的なストレージ: 各次元は1ビットのストレージしか必要とせず、ストレージスペースを大幅に削減します。

  • 高速な計算: ベクトル間の類似性は、XORのようなビット演算を使用して迅速に計算できます。

  • 固定長: ベクトルの長さは元のテキストの長さに依存せず一定であるため、インデックス作成と検索が容易になります。

  • シンプルで直感的: キーワードの存在を直接反映するため、特定の専門的な検索タスクに適しています。

バイナリベクトルはさまざまな方法で生成できます。テキスト処理では、定義済みの語彙を使用して単語の存在に基づいて対応するビットを設定できます。画像処理では、知覚ハッシュアルゴリズム（pHashなど）が画像のバイナリ特徴を生成できます。機械学習アプリケーションでは、モデルの出力をバイナリ化してバイナリベクトル表現を取得できます。

バイナリベクトル化後、データはZilliz Cloudクラスターに保存され、管理およびベクトル検索に使用できます。以下の図は基本的なプロセスを示しています。

TF1uw4AQVhFdmBbrhyVcJO6WnXe

📘Notes

バイナリベクトルは特定のシナリオで優れていますが、表現能力に限界があり、複雑な意味関係を捉えるのが難しい場合があります。そのため、実際のシナリオでは、効率性と表現力を両立させるために、バイナリベクトルは他のベクトルタイプと組み合わせて使用されることがよくあります。詳細については、密ベクトルと疎ベクトルを参照してください。

バイナリベクトルを使用する​

ベクトルフィールドを追加する​

Zilliz Cloudクラスターでバイナリベクトルを使用するには、まずコレクションを作成する際にバイナリベクトルを格納するためのベクトルフィールドを定義します。このプロセスには以下が含まれます。

  1. datatypeをサポートされているバイナリベクトルデータ型、つまりBINARY_VECTORに設定します。

  2. dimパラメータを使用してベクトルの次元を指定します。バイナリベクトルは挿入時にバイト配列に変換する必要があるため、dimは8の倍数である必要があることに注意してください。8つのブール値（0または1）ごとに1バイトにパックされます。たとえば、dim=128の場合、挿入には16バイトの配列が必要です。

from pymilvus import MilvusClient, DataType

client = MilvusClient(uri="YOUR_CLUSTER_ENDPOINT")

schema = client.create_schema(
    auto_id=True,
    enable_dynamic_fields=True,
)

schema.add_field(field_name="pk", datatype=DataType.VARCHAR, is_primary=True, max_length=100)
schema.add_field(field_name="binary_vector", datatype=DataType.BINARY_VECTOR, dim=128)

この例では、バイナリベクトルを保存するためにbinary_vectorという名前のベクトルフィールドが追加されています。このフィールドのデータ型はBINARY_VECTORで、次元は128です。

ベクトルフィールドのインデックスパラメータを設定する​

検索を高速化するには、バイナリベクトルフィールドにインデックスを作成する必要があります。インデックス作成は、大規模なベクトルデータの検索効率を大幅に向上させることができます。

index_params = client.prepare_index_params()

index_params.add_index(
    field_name="binary_vector",
    index_name="binary_vector_index",
    index_type="AUTOINDEX",
    metric_type="HAMMING"
)

上記の例では、AUTOINDEX インデックスタイプを使用して、binary_vector フィールドに binary_vector_index という名前のインデックスが作成されています。metric_type は HAMMING に設定されており、ハミング距離が類似性測定に使用されることを示しています。

さらに、Zilliz Cloud はバイナリベクトルに対して他の類似性メトリックもサポートしています。詳細については、メトリックタイプを参照してください。

コレクションの作成​

バイナリベクトルとインデックスの設定が完了したら、バイナリベクトルを含むコレクションを作成します。以下の例では、create_collection メソッドを使用して my_collection という名前のコレクションを作成しています。

client.create_collection(
    collection_name="my_collection",
    schema=schema,
    index_params=index_params
)

データの挿入​

コレクションを作成した後、insert メソッドを使用してバイナリベクトルを含むデータを追加します。バイナリベクトルはバイト配列の形式で提供する必要があり、各バイトは8つのブール値を表します。

たとえば、128次元のバイナリベクトルには16バイトの配列が必要です（128ビット ÷ 8ビット/バイト = 16バイト）。以下は、データを挿入するコード例です。

def convert_bool_list_to_bytes(bool_list):
    if len(bool_list) % 8 != 0:
        raise ValueError("The length of a boolean list must be a multiple of 8")

    byte_array = bytearray(len(bool_list) // 8)
    for i, bit in enumerate(bool_list):
        if bit == 1:
            index = i // 8
            shift = i % 8
            byte_array[index] |= (1 << shift)
    return bytes(byte_array)

bool_vectors = [
    [1, 0, 0, 1, 1, 0, 1, 1, 0, 1, 0, 1, 0, 1, 0, 0] + [0] * 112,
    [0, 1, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1] + [0] * 112,
]

data = [{"binary_vector": convert_bool_list_to_bytes(bool_vector)} for bool_vector in bool_vectors]

client.insert(
    collection_name="my_collection",
    data=data
)

近似度検索はZilliz Cloudクラスターのコア機能の1つで、ベクトル間の距離に基づいて、クエリベクトルに最も類似したデータを迅速に検索できます。バイナリベクトルを使用して近似度検索を実行するには、クエリベクトルと検索パラメータを準備し、searchメソッドを呼び出します。

検索操作中、バイナリベクトルもバイト配列の形式で提供する必要があります。クエリベクトルの次元がdimを定義したときに指定された次元と一致し、8つのブール値ごとに1バイトに変換されていることを確認してください。

search_params = {
    "params": {"nprobe": 10}
}

query_bool_list = [1, 0, 0, 1, 1, 0, 1, 1, 0, 1, 0, 1, 0, 1, 0, 0] + [0] * 112
query_vector = convert_bool_list_to_bytes(query_bool_list)

res = client.search(
    collection_name="my_collection",
    data=[query_vector],
    anns_field="binary_vector",
    search_params=search_params,
    limit=5,
    output_fields=["pk"]
)

print(res)

# Output
# data: ["[{'id': '453718927992172268', 'distance': 10.0, 'entity': {'pk': '453718927992172268'}}]"]

類似性検索パラメータの詳細については、基本的なANN検索を参照してください。