AI Perks უზრუნველყოფს ექსკლუზიურ ფასდაკლებებს, კრედიტებსა და შეთავაზებებს AI ინსტრუმენტებზე, ღრუბლოვან სერვისებსა და API-ებზე, რათა დაეხმაროს სტარტაპებსა და დეველოპერებს ფულის დაზოგვაში.
რა ღირს უფასო Qdrant კრედიტები?
Qdrant გთავაზობთ 2000$ უფასო კრედიტს სტარტაპებისთვის, რომელიც გამოიყენება Qdrant Cloud-ზე, მისი ღია კოდის ვექტორული მონაცემთა ბაზის მართულ ვერსიაზე.
ეს ციფრი მოკრძალებულია ექვსნიშნა გრანტებთან შედარებით სხვაგან ამ კატეგორიაში, და ღირს მისი სწორად წაკითხვა და არა უგულებელყოფა. Qdrant არის Apache 2.0 ლიცენზირებული და თვით-ჰოსტებადი, ამიტომ ფასიანი პროდუქტია მართული ჰოსტინგი, არა ძრავა. კრედიტი არის ჰოსტინგის ბიუჯეტი, არა წვდომის გასაღები.
უფლებამოსილება დამოკიდებულია ეტაპსა და დაფინანსებაზე, ხოლო ინფრასტრუქტურული პროგრამის პირობები უფრო მეტად მოძრაობს, ვიდრე მოდელის პროგრამის პირობები. AI Perks თვალს ადევნებს მიმდინარე ვერსიას 194 კომპანიისთვის 7.7 მილიონი დოლარის კრედიტთან ერთად.
საუკეთესო AI ქულები სტარტაპებისთვის
მიმართეთ პირდაპირ ამ გადამოწმებული პროგრამების მეშვეობით.
Qdrant 20% off Qdrant Cloud for 12 months
ადრეული ეტაპის სტარტაპებისთვის
Claude (via program) $100,000
ადრეული ეტაპის სტარტაპებისთვის
OpenAI (via program) $2,500
ადრეული ეტაპის სტარტაპებისთვის
Anthropic $20,000
ადრეული ეტაპის სტარტაპებისთვის
AWS $300,000
ადრეული ეტაპის სტარტაპებისთვის
Google Cloud $350,000
ადრეული ეტაპის სტარტაპებისთვის
რას რეალურად აკეთებს Qdrant
Qdrant ინახავს ემბედინგებს სტრუქტურირებული მეტამონაცემებთან ერთად და მილიწამებში აბრუნებს ყველაზე ახლო მატჩებს მოთხოვნის ვექტორზე. ის დაწერილია Rust-ში, გამოდის როგორც ერთი ბინარული ფაილი და მუშაობს ისე ლეპტოპზე, როგორც პროდუქციაში.
ყველა პროდუქტი, რომელიც პასუხობს კითხვებს კერძო დოკუმენტებზე, ეძებს მნიშვნელობით, არა საკვანძო სიტყვით, რეკომენდაციას უწევს მსგავს ნივთებს, ახდენს ჩანაწერების დედუპლიკაციას, ან აძლევს აგენტს გრძელვადიან მეხსიერებას, საჭიროებს ამ ფენას. თქვენ ან გაუშვებთ მას, ან იქირავებთ.
სამი თვისება განასხვავებს Qdrant-ს კატეგორიის დანარჩენებისგან:
Payload არის პირველი კლასის მოქალაქე. მეტამონაცემები მდებარეობს ვექტორთან ერთად და ინდექსირებადია, ამიტომ ფილტრები არის მოთხოვნის ნაწილი, ვიდრე შედეგებზე მეორე გავლა. მეტი იმაზე, თუ რატომ აქვს მნიშვნელობა ამას ქვემოთ.
ეს არის ერთი ბინარული ფაილი. ლოკალური განვითარების პარტნიორობა არის რეალური ოპერატიული უპირატესობა. თქვენ შეგიძლიათ გაუშვათ იგივე ძრავა Docker კონტეინერში თქვენს მანქანაზე და მართულ კლასტერში, რაც გამორიცხავს "ადგილობრივად მუშაობს" სიურპრიზების კატეგორიას.
ლიცენზია არის ნებართვითი. Apache 2.0 ნიშნავს, რომ თვით-ჰოსტინგი რჩება მუდმივად ხელმისაწვდომი. ეს არის მოლაპარაკების ბერკეტი, ვიდრე გეგმა: ცოდნა, რომ შეგიძლიათ გადასვლა, ინარჩუნებს მართული ანგარიშის პატიოსნებას.
ფილტრირებული ძიება არის ის, სადაც Retrieval პროდუქტები იშლება
თითქმის არცერთი პროდუქტიული მოთხოვნა არ არის "იპოვე მსგავსი". ეს არის "იპოვე მსგავსი, ამ კლიენტის დოკუმენტებში, ბოლო 90 დღიდან, ამ ტიპის". ეს კომბინაცია, არა ნედლი მსგავსება, არის ის, სადაც უმეტესი ვექტორული ძიება ჩუმად მარცხდება.
მარცხს აქვს სპეციფიკური ფორმა. ნაივივი იმპლემენტაციები პოსტ-ფილტრავს: იღებს 100 უახლოეს ვექტორს, შემდეგ შლის მათ, რომლებიც არ ემთხვევა ფილტრს. თუ ფილტრი შერჩევითია, თქვენ იღებთ სამ შედეგს, ან ნულს, და პროდუქტი მწყობრიდან გამოსული ჩანს, მიუხედავად იმისა, რომ ინდექსი გამართულია.
ალტერნატივა, პრე-ფილტრაცია brute force-ით მატჩის სუბსეტზე, სწორია, მაგრამ ნელია, როგორც კი სუბსეტი დიდი ხდება. Qdrant-ის პასუხი არის ფილტრის პირობების გამოყენება გრაფიკის გავლის დროს და ძიების გრაფიკის დაკავშირებული შენარჩუნება ფილტრაციის ქვეშ, დაფუძნებული payload ინდექსებზე იმ ველებზე, რომელზეც ფილტრავთ. საინჟინრო დეტალი ნაკლებად მნიშვნელოვანია, ვიდრე შედეგი: ფილტრირებული მოთხოვნები რჩება როგორც სწრაფი, ასევე სრული.
ეს არის ყველაზე მნიშვნელოვანი თვისება B2B პროგრამული უზრუნველყოფის გამყიდველისთვის, რადგან მრავალტერენტიან პროდუქტში ყოველი მოთხოვნა ფილტრირდება ტენანტის მიხედვით. თუ თქვენი Retrieval დეგრადირდება ფილტრების ქვეშ, ის დეგრადირდება ყოველი მომხმარებლისთვის ერთდროულად.
საუკეთესო AI ქულები სტარტაპებისთვის
მიმართეთ პირდაპირ ამ გადამოწმებული პროგრამების მეშვეობით.
Qdrant 20% off Qdrant Cloud for 12 months
ადრეული ეტაპის სტარტაპებისთვის
Claude (via program) $100,000
ადრეული ეტაპის სტარტაპებისთვის
OpenAI (via program) $2,500
ადრეული ეტაპის სტარტაპებისთვის
Anthropic $20,000
ადრეული ეტაპის სტარტაპებისთვის
AWS $300,000
ადრეული ეტაპის სტარტაპებისთვის
Google Cloud $350,000
ადრეული ეტაპის სტარტაპებისთვის
როგორ იქცევა ვექტორული მონაცემთა ბაზის ღირებულება მასშტაბზე
ვექტორული ძიების ღირებულება განპირობებულია თქვენ მიერ შენახული ვექტორების რაოდენობით, გამრავლებული მათი განზომილებებით, არა გაშვებული მოთხოვნების რაოდენობით. უსაქმური ინდექსი დიდი კორპუსისთვის ძვირია. აქტიური ინდექსი პატარა კორპუსისთვის იაფია.
ეს არის საპირისპირო იმისა, თუ როგორ იღებენ გადასახადს მოდელის API-ები, რის გამოც დამფუძნებლები ასე თანმიმდევრულად ითვლიან ამ პუნქტს არასწორად. აქ არის არითმეტიკა ერთი მილიონი ვექტორისთვის, ინდექსის ჭარბი ნაწილის გარეშე:
| შენახვის რეჟიმი | ბიტები განზომილებაზე | 1 მილიონი ვექტორი 768 განზომილებით | 1 მილიონი ვექტორი 1,536 განზომილებით |
|---|---|---|---|
| float32 მეხსიერებაში | 32 | ~3.1 GB | ~6.1 GB |
| სკალარული კვანტიზაცია (int8) | 8 | ~0.8 GB | ~1.5 GB |
| ბინარული კვანტიზაცია | 1 | ~0.1 GB | ~0.2 GB |
| მეხსიერებაზე რუკა დისკზე | 32, გვერდიანი | RAM ინახავს ინდექსს | RAM ინახავს ინდექსს |
განიხილეთ ეს როგორც მინიმუმი. გრაფიკის ჭარბი და payload ემატება ზემოდან.
ორი ბერკეტი ცვლის სურათს უფრო მეტად, ვიდრე ნებისმიერი რამ, რასაც გააკეთებთ თქვენს კოდში. კვანტიზაცია შეკუმშავს შენახულ ვექტორებს, და Qdrant-ს შეუძლია გადააფასოს მოკლე სია სრული სიზუსტის ვექტორებით, რათა აღიდგინოს დაკარგული მოხსენების უმეტესი ნაწილი, რაც მას ბევრად ნაკლებად ჩამორჩენილს ხდის, ვიდრე ჟღერს. განზომილების არჩევანი არის მეორე: ბევრი ემბედინგ მოდელი ახლა მხარს უჭერს შემოკლებულ გამოსავალს, და განზომილებების განახევრება განახევრებს მთელ ცხრილს.
პრაქტიკული დასკვნა არის ის, რომ ჩანკის სტრატეგია არის ხარჯის გადაწყვეტილება, არა მხოლოდ ხარისხის გადაწყვეტილება. დოკუმენტების პატარა ნაწილებად დაყოფა ამრავლებს თქვენს ვექტორების რაოდენობას და შესაბამისად თქვენს მეხსიერების ანგარიშს. AI Perks თვალს ადევნებს კრედიტებს ამ ფენის გასწვრივ, ასე რომ თქვენ შეგიძლიათ შეამოწმოთ რეალურ მასშტაბზე, სანამ ინვოისი გასწავლით.
რას ემსახურება 2000$ კრედიტი რეალურად
2000$ გრანტი არ არის ერთი წლის სამყოფი. ეს საკმარისია თქვენი რეალური კორპუსის გასაშვებად რეალურ მასშტაბზე საკმარისად დიდხანს, რათა გაიგოთ, რა ეღირება პროდუქცია, რაც უფრო ღირებულია, ვიდრე ფული.
გუნდები, რომლებიც ვექტორულ ანგარიშს 10,000 სტრიქონიანი ნიმუშიდან აფასებენ, ჩვეულებრივ, ერთი რიგით ცდებიან. მოხსენება, ფილტრის შესრულება და კვანტიზაციის ხარისხის დარტყმა იცვლება კორპუსის ზომის მიხედვით, და არცერთი მათგანი არ შეიძლება სუფთად ექსტრაპოლირება სათამაშო ინდექსიდან.
ამიტომ, დახარჯეთ კრედიტი როგორც საზომი, არა ფასდაკლება:
ჩატვირთეთ ყველაფერი, არა ნიმუში. მთელი აზრი არის ქცევის დანახვა, რომელიც არ ჩანს მცირე მასშტაბზე.
გამოიყენეთ ფილტრებით. შეამოწმეთ მოთხოვნის ფორმა, რომელსაც თქვენი პროდუქტი რეალურად გასცემს, ტენანტის ფილტრის ჩათვლით.
გაზომეთ მოხსენება თქვენი კვანტიზაციის პარამეტრზე. გადაწყვიტეთ მეხსიერების ტრეიდოფი, რიცხვით, ვიდრე უპირატესობით.
შემდეგ შეაფასეთ თვით-ჰოსტინგი მართულის მიმართ. რეალური ინდექსის ზომით, ეს გახდება არითმეტიკა, ვიდრე კამათი.
დრო ისეთივე მნიშვნელოვანია, როგორც თანხა. კრედიტები დროით არის შეზღუდული, ამიტომ გრანტის აქტივაცია, როდესაც თქვენ ჯერ კიდევ ირჩევთ ჩანკის ზომას, წვავს მის უმეტესობას ცარიელ ინდექსზე. შეასწორეთ საათი იმ მომენტთან, როდესაც გაქვთ როგორც კორპუსი, ასევე ტრაფიკი. მიმდინარე პროგრამები და მათი პირობები განლაგებულია AI Perks -ზე.
საუკეთესო AI ქულები სტარტაპებისთვის
მიმართეთ პირდაპირ ამ გადამოწმებული პროგრამების მეშვეობით.
Qdrant 20% off Qdrant Cloud for 12 months
ადრეული ეტაპის სტარტაპებისთვის
Claude (via program) $100,000
ადრეული ეტაპის სტარტაპებისთვის
OpenAI (via program) $2,500
ადრეული ეტაპის სტარტაპებისთვის
Anthropic $20,000
ადრეული ეტაპის სტარტაპებისთვის
AWS $300,000
ადრეული ეტაპის სტარტაპებისთვის
Google Cloud $350,000
ადრეული ეტაპის სტარტაპებისთვის
რასთან ერთად შეიძლება Qdrant კრედიტების დაგროვება
Retrieval-ის ანგარიშები სამ ადგილას: ემბედინგების შექმნა, მათი შენახვა და ძიება, და პასუხის გენერირება. ვექტორული მონაცემთა ბაზის გრანტი ფარავს ერთ-ერთ სამს.
| ფენა | როგორ იღებს გადასახადს | სად არის კრედიტები |
|---|---|---|
| ემბედინგები | ერთხელ დოკუმენტზე, ისევ ყოველ მოდელის ცვლილებაზე | OpenAI, Cohere, Voyage, Mistral |
| ვექტორული შენახვა და ძიება | უწყვეტად, მეხსიერების მიერ განპირობებული | Qdrant, Pinecone, Weaviate |
| გენერაცია | პასუხზე, მომხმარებელზე | Anthropic, OpenAI, Google, xAI |
| გამოთვლა და ჰოსტინგი | უწყვეტად, uptime-ის მიერ განპირობებული | AWS, Google Cloud, Azure, Modal |
ემბედინგების რიგი არის ის, რაც აბნევს ხალხს. თქვენ ერთხელ ამზადებთ კორპუსს ინდექსისთვის, შემდეგ კი ხელახლა ამზადებთ მთელს ყოველ ჯერზე, როდესაც ცვლით მოდელს. ემბედინგის განახლება არის სრული ხელახალი ინდექსირება, და დიდ კორპუსზე ეს არის რეალური ინვოისი, არა ფონური სამუშაო.
კრედიტების შენახვა რამდენიმე რიგზე საშუალებას აძლევს გუნდს შეცვალოს აზრი ბიუჯეტის შეხვედრის გარეშე. ეს არის რეალური არგუმენტი დაგროვებისთვის.
რას ხვდებიან დამფუძნებლები არასწორად ვექტორულ მონაცემთა ბაზებზე
ორი ყველაზე გავრცელებული შეცდომა არის მისი მიღება პროდუქტის საჭიროებამდე, და Retrieval ხარისხის მოდელის პრობლემად მიჩნევა, როცა ეს ჩვეულებრივ ფილტრის ან ჩანკის პრობლემაა.
ხუთი შეცდომა, რომელთა თავიდან აცილება ღირს:
ძალიან ადრე დაწყება. Postgres-ი pgvector-ით ამუშავებს რამდენიმე ასეულ ათას ვექტორს და მარტივ მოთხოვნებს, და ის ხსნის სერვისს თქვენი სტეკიდან. სპეციალური ვექტორული მონაცემთა ბაზა იძენს თავის ადგილს მასშტაბზე, მდგრადი მოთხოვნის მოცულობით, ან როდესაც ფილტრირებული ძიება იწყებს ძალიან ცოტას დაბრუნებას.
ფილტრების უგულებელყოფა მრავალტერენტიულობის მოსვლამდე. იმ დროისთვის მოთხოვნის ნიმუშები ჩაშენებულია და გამოსწორება არის მიგრაცია.
კვანტიზაციის ჩამორჩენად მიჩნევა. ეს არის განსხვავება 6 GB ინდექსს და 1.5 GB ინდექსს შორის, და გადაფასებით მოხსენების ღირებულება ხშირად უმნიშვნელოა. გაზომეთ ეს, ვიდრე ვარაუდობთ.
ღია კოდის უფასოსთან არევა. თვით-ჰოსტინგი აშორებს ლიცენზიის გადასახადს, არა მეხსიერების ანგარიშს ან on-call როტაციას.
ემბედინგის მხარის დავიწყება. შენახვის კრედიტები ფარავს Retrieval ანგარიშის ნახევარს. დამფუძნებლები, რომლებიც ერთდროულად ეძებენ ორივეს, ფარავენ ერთ წელს. დანარჩენი ფარავს მეოთხედს. ორივე მხარე კატალოგირებულია AI Perks -ზე.
საუკეთესო AI ქულები სტარტაპებისთვის
მიმართეთ პირდაპირ ამ გადამოწმებული პროგრამების მეშვეობით.
Qdrant 20% off Qdrant Cloud for 12 months
ადრეული ეტაპის სტარტაპებისთვის
Claude (via program) $100,000
ადრეული ეტაპის სტარტაპებისთვის
OpenAI (via program) $2,500
ადრეული ეტაპის სტარტაპებისთვის
Anthropic $20,000
ადრეული ეტაპის სტარტაპებისთვის
AWS $300,000
ადრეული ეტაპის სტარტაპებისთვის
Google Cloud $350,000
ადრეული ეტაპის სტარტაპებისთვის
ხშირად დასმული კითხვები
რა ღირს Qdrant კრედიტები?
Qdrant გთავაზობთ 2000$ უფასო კრედიტს სტარტაპებისთვის, რომელიც გამოიყენება Qdrant Cloud-ზე და არა ღია კოდის ძრავზე, რომელიც მაინც უფასოა. რამდენად შორს წავა ეს დამოკიდებულია კორპუსის ზომაზე და ვექტორულ განზომილებებზე, არა მოთხოვნის მოცულობაზე, რადგან ღირებულება მეხსიერებით არის განპირობებული. მიმდინარე პირობები და უფლებამოსილება თვალყურს ადევნებს getaiperks.com -ზე.
Qdrant უფასოა გამოსაყენებლად?
დიახ, იმ გაგებით, რაც მნიშვნელოვანია: Qdrant არის Apache 2.0 ლიცენზირებული და შეგიძლიათ გაუშვათ საკუთარ აპარატურაზე ლიცენზიის გადასახადის გარეშე. ის, რაც ფულს ხარჯავს, არის Qdrant Cloud, მართული სერვისი, პლუს მეხსიერება, რომელსაც თქვენი ინდექსი მოიხმარს, სადაც არ უნდა იყოს ის. თვით-ჰოსტინგი ცვლის ფულს ოპერატიული სამუშაოსთვის.
მჭირდება ვექტორული მონაცემთა ბაზა, თუ pgvector საკმარისია?
რამდენიმე ასეული ათასი ვექტორისა და მარტივი მოთხოვნებისთვის, Postgres-ი pgvector-ით ჩვეულებრივ საკმარისია და ხსნის სერვისს თქვენი სტეკიდან. სპეციალური ვექტორული მონაცემთა ბაზა იმსახურებს თავის ადგილს ათობით მილიონი ვექტორით, მდგრადი მოთხოვნის დატვირთვით, ან მძიმე ფილტრირებული და მრავალტერენტიული ძიებით, სადაც ნაივივი იმპლემენტაციები მკვეთრად იშლება.
რამდენი RAM სჭირდება Qdrant-ს?
უფრო მეტი, ვიდრე უმეტესი გუნდები ბიუჯეტს ითვალისწინებენ. გაუსკუმშული 32-ბიტიანი ვექტორები საჭიროებენ დაახლოებით 4 ბაიტს თითო განზომილებაზე თითო ვექტორზე, ამიტომ ერთი მილიონი 1,536-განზომილებიანი ვექტორი არის დაახლოებით 6 GB ინდექსის ჭარბის გარეშე. სკალარული კვანტიზაცია ამას ოთხჯერ ამცირებს, ხოლო ბინარული კვანტიზაცია ბევრად მეტს, რაც კვანტიზაციას აქცევს დაგეგმვის გადაწყვეტილებად, ოპტიმიზაციის ნაცვლად.
შემიძლია თუ არა Qdrant კრედიტების გაერთიანება OpenAI-ს ან Anthropic-ის კრედიტებთან?
დიახ, და ისინი ფარავენ სხვადასხვა ანგარიშებს. Qdrant ფარავს თქვენი ვექტორების შენახვას და ძიებას, ემბედინგების პროვაიდერები ფარავენ მათ შექმნას, ხოლო მოდელის პროვაიდერები ფარავენ პასუხის გენერირებას. გუნდები, რომლებიც ფლობენ კრედიტებს სამივეზე, ფარავენ Retrieval პროდუქტის რეალურ პირველ წელს. ნახეთ, რომელი კომბინაციები არსებობს getaiperks.com -ზე.
რა არის Qdrant-ის ძირითადი ალტერნატივები?
Pinecone, Weaviate, Milvus, Chroma, და Postgres-ი pgvector-ით. Qdrant-ის განმასხვავებელი ნიშნებია მისი Rust ძრავა, მისი ფილტრაციის მოდელი და ნებართვითი ლიცენზია, რომელიც ინარჩუნებს თვით-ჰოსტინგს რეალურ გასასვლად, არა ბლეფად. AI Perks თვალყურს ადევნებს კრედიტის პროგრამებს მთელ კატეგორიაში getaiperks.com -ზე.
შეინახეთ ვექტორები. სხვას მიეცით მეხსიერების გადახდა.
