メインコンテンツまでスキップ

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、意味情報を保持しながらストレージおよび計算コストも削減されます。重要ではない特徴に対して厳密な精度が不要な場合、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大部分を効果的に維持できます。

バイナリベクトルには幅広い用途があり、特に計算効率とストレージ最適化が重要な状況で有効です。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 AI システムでは、大量データのリアルタイム処理が鍵となります。ベクトルのサイズを削減することで、バイナリベクトルは精度を大きく損なうことなく、レイテンシと計算コストの低減に役立ちます。さらに、バイナリベクトルは、メモリや処理能力が限られているモバイルデバイスや組み込みシステムなど、リソース制約のある環境でも有用です。バイナリベクトルを使用することで、このような制約のある環境でも高い性能を維持しながら複雑な AI 機能を実装できます。

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] のように表現できます。

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すかを示しています。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（Text 1 と Text 2）を表現しています。各次元は語彙内の単語に対応し、1 はその単語がテキスト内に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次の特徴があります。

  • 効率的なストレージ: 各次元に必要なストレージは 1 ビットのみであり、ストレージ容量を大幅に削減できます。

  • 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用いて高速に計算できます。

  • 固定長: 元のテキスト長に関係なくベクトルの長さは一定であるため、インデックス作成や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、事前定義された語彙を使用して、単語の有無に応じ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）を用いて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、モデルの出力を二値化することで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の後、データは管理およびベクトル検索のために Zilliz Cloud クラスターに保存できます。以下の図はその基本的な流れを示しています。

TF1uw4AQVhFdmBbrhyVcJO6WnXe

📘注意

バイナリベクトルは特定のシナリオでは優れていますが、表現能力に限界があり、複雑な意味関係を捉えるのは困難です。そのため、実際のシナリオでは、効率性と表現力のバランスを取るために、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。詳細は Dense Vector および Sparse Vector 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、まずコレクション作成時にバイナリベクトルを保存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のデータ型、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数を指定します。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 の倍数でなければならない点に注意してください。8 個の boolean 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。

python
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を追加しています。このフィールドのデータ型は BINARY_VECTOR で、次元数は 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対してインデックスを作成する必要があります。インデックス作成により、大規模なベクトルデータの検索効率を大幅に向上できます。

python
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、binary_vector フィールドに対して binary_vector_index という名前のインデックスを作成し、AUTOINDEX インデックスタイプを使用しています。metric_type は HAMMING に設定されており、類似性の測定にハミング距離を使用す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する他の類似性メトリクスもサポートしています。詳細は Metric Types を参照してください。

コレクションを作成する​

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ます。

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

データを挿入する​

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 個の boolean 値を表す点に注意してください。

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。

python
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
)

類似度検索は Zilliz Cloud クラスターの中核機能の 1 つであり、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すばやく見つけることができます。バイナリベクトルを使用して類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てから、search メソッドを呼び出します。

検索操作中も、バイナリベクトルはバイト配列の形式で指定する必要があります。クエリベクトルの次元数が dim の定義時に指定した次元と一致していること、および 8 つの boolean 値ごとに 1 バイトへ変換されていることを確認してください。

python
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'}}]"]

類似度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。

Ctrl I