AI Perks ให้การเข้าถึงส่วนลด เครดิต และดีลพิเศษสำหรับเครื่องมือ AI บริการคลาวด์ และ API เพื่อช่วยสตาร์ทอัพและนักพัฒนาประหยัดเงิน
เครดิตฟรีของ Qdrant มีมูลค่าเท่าไหร่?
Qdrant เสนอเครดิตฟรีมูลค่า 2,000 ดอลลาร์สำหรับสตาร์ทอัพ ซึ่งใช้กับ Qdrant Cloud ซึ่งเป็นเวอร์ชันที่มีการจัดการของฐานข้อมูลเวกเตอร์โอเพนซอร์ส
ตัวเลขนั้นดูเล็กน้อยเมื่อเทียบกับเงินทุนจำนวนมากในหมวดหมู่นี้ และคุ้มค่าที่จะอ่านให้ถูกต้องแทนที่จะมองข้าม Qdrant ได้รับอนุญาตภายใต้ Apache 2.0 และสามารถโฮสต์เองได้ ดังนั้นผลิตภัณฑ์แบบชำระเงินจึงเป็นการโฮสต์ที่มีการจัดการ ไม่ใช่ตัวเอนจิ้น เครดิตนี้เป็นงบประมาณสำหรับการโฮสต์ ไม่ใช่คีย์การเข้าถึง
การมีสิทธิ์ขึ้นอยู่กับระยะของบริษัทและเงินทุน และเงื่อนไขของโปรแกรมโครงสร้างพื้นฐานมีการเปลี่ยนแปลงมากกว่าเงื่อนไขของโปรแกรมโมเดล AI Perks ติดตามเวอร์ชันปัจจุบันพร้อมกับ เครดิตมูลค่า 7.7 ล้านดอลลาร์ใน 194 บริษัท
AI เครดิตชั้นนำสำหรับสตาร์ทอัพ
สมัครโดยตรงผ่านโปรแกรมที่ผ่านการตรวจสอบแล้วเหล่านี้
Qdrant 20% off Qdrant Cloud for 12 months
สำหรับสตาร์ทอัพระยะเริ่มต้น
Claude (via program) $100,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
OpenAI (via program) $2,500
สำหรับสตาร์ทอัพระยะเริ่มต้น
Anthropic $20,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
AWS $300,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
Google Cloud $350,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
Qdrant ทำงานจริงอย่างไร
Qdrant จัดเก็บเอ็มเบ็ดดิ้งควบคู่ไปกับเมตาดาต้าที่มีโครงสร้าง และส่งคืนผลลัพธ์ที่ใกล้เคียงที่สุดกับเวกเตอร์คิวรีในไม่กี่มิลลิวินาที เขียนด้วย Rust จัดส่งเป็นไบนารีเดียว และทำงานเหมือนกันบนแล็ปท็อปในสภาพแวดล้อมการผลิต
ผลิตภัณฑ์ทุกอย่างที่ตอบคำถามเกี่ยวกับเอกสารส่วนตัว ค้นหาตามความหมายแทนที่จะเป็นคำหลัก แนะนำรายการที่คล้ายกัน ลบข้อมูลที่ซ้ำกัน หรือให้หน่วยความจำระยะยาวแก่เอเจนต์ จำเป็นต้องมีเลเยอร์นี้ คุณต้องใช้งานเองหรือเช่าใช้งาน
สามคุณสมบัติที่ทำให้ Qdrant แตกต่างจากที่อื่นในหมวดหมู่นี้:
Payload เป็นพลเมืองชั้นหนึ่ง เมตาดาต้าอยู่ร่วมกับเวกเตอร์และสามารถจัดทำดัชนีได้ ดังนั้นตัวกรองจึงเป็นส่วนหนึ่งของคิวรีมากกว่าการตรวจสอบผลลัพธ์อีกครั้ง ดูเพิ่มเติมเกี่ยวกับความสำคัญของสิ่งนี้ด้านล่าง
เป็นไบนารีเดียว ความเสมอภาคในการพัฒนาในพื้นที่เป็นข้อได้เปรียบในการปฏิบัติงานที่แท้จริง คุณสามารถรันเอนจิ้นเดียวกันในคอนเทนเนอร์ Docker บนเครื่องของคุณและในคลัสเตอร์ที่มีการจัดการ ซึ่งจะช่วยขจัดปัญหา "ทำงานในพื้นที่" ประเภทหนึ่ง
ใบอนุญาตมีความยืดหยุ่น Apache 2.0 หมายความว่าการโฮสต์เองสามารถใช้งานได้ตลอดไป นั่นคืออำนาจในการต่อรองมากกว่าแผน: การรู้ว่าคุณสามารถย้ายออกไปได้จะทำให้บิลการจัดการมีความน่าเชื่อถือ
การค้นหาแบบกรองคือจุดที่ผลิตภัณฑ์ Retrieval ขัดข้อง
คิวรีการผลิตเกือบไม่มี "ค้นหาสิ่งที่คล้ายกัน" แต่เป็น "ค้นหาสิ่งที่คล้ายกัน ภายในเอกสารของลูกค้ารายนี้ จาก 90 วันที่ผ่านมา ประเภทนี้" การผสมผสานนี้ ไม่ใช่ความคล้ายคลึงดิบ คือจุดที่การค้นหาเวกเตอร์ส่วนใหญ่ล้มเหลวอย่างเงียบๆ
ความล้มเหลวมีรูปร่างเฉพาะ การใช้งานแบบง่ายๆ จะทำการโพสต์ฟิลเตอร์: ดึงเวกเตอร์ที่ใกล้ที่สุด 100 อันดับแรก จากนั้นจึงทิ้งเวกเตอร์ที่ไม่ตรงตามเงื่อนไข หากตัวกรองมีความเฉพาะเจาะจง คุณจะได้ผลลัพธ์สามรายการ หรือไม่มีเลย และผลิตภัณฑ์จะดูเหมือนเสียแม้ว่าดัชนีจะสมบูรณ์ก็ตาม
ทางเลือกอื่นคือการกรองล่วงหน้าด้วยการค้นหาแบบ brute-force บนชุดย่อยที่ตรงกันนั้นถูกต้องแต่ช้าเมื่อชุดย่อยมีขนาดใหญ่ คำตอบของ Qdrant คือการใช้เงื่อนไขตัวกรองระหว่างการสำรวจกราฟ และรักษากราฟการค้นหาให้เชื่อมต่อภายใต้การกรอง โดยได้รับการสนับสนุนจากดัชนี Payload ในฟิลด์ที่คุณกรอง รายละเอียดทางวิศวกรรมมีความสำคัญน้อยกว่าผลลัพธ์: คิวรีแบบกรองยังคงรวดเร็วและสมบูรณ์
นี่คือคุณสมบัติที่สำคัญที่สุดสำหรับใครก็ตามที่ขายซอฟต์แวร์ B2B เนื่องจากทุกคิวรีในผลิตภัณฑ์ที่มีผู้ใช้หลายรายจะถูกกรองตามผู้ใช้ หากการ Retrieval ของคุณเสื่อมโทรมภายใต้ตัวกรอง มันจะเสื่อมโทรมสำหรับลูกค้าทุกรายพร้อมกัน
AI เครดิตชั้นนำสำหรับสตาร์ทอัพ
สมัครโดยตรงผ่านโปรแกรมที่ผ่านการตรวจสอบแล้วเหล่านี้
Qdrant 20% off Qdrant Cloud for 12 months
สำหรับสตาร์ทอัพระยะเริ่มต้น
Claude (via program) $100,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
OpenAI (via program) $2,500
สำหรับสตาร์ทอัพระยะเริ่มต้น
Anthropic $20,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
AWS $300,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
Google Cloud $350,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
ต้นทุนฐานข้อมูลเวกเตอร์มีพฤติกรรมอย่างไรเมื่อขยายขนาด
ต้นทุนการค้นหาเวกเตอร์เกิดจากจำนวนเวกเตอร์ที่คุณจัดเก็บ คูณด้วยมิติของมัน ไม่ใช่จำนวนคิวรีที่คุณรัน ดัชนีที่ไม่ได้ใช้งานบนคลังข้อมูลขนาดใหญ่มีราคาแพง ดัชนีที่ใช้งานบนคลังข้อมูลขนาดเล็กมีราคาถูก
นั่นตรงกันข้ามกับวิธีที่ API โมเดลคิดค่าบริการคุณ ซึ่งเป็นเหตุผลว่าทำไมผู้ก่อตั้งจึงคาดการณ์รายการนี้ผิดพลาดอย่างสม่ำเสมอ นี่คือการคำนวณสำหรับเวกเตอร์หนึ่งล้านรายการ ก่อนค่าใช้จ่ายเพิ่มเติมของดัชนี:
| โหมดการจัดเก็บ | บิตต่อมิติ | 1M เวกเตอร์ที่ 768 มิติ | 1M เวกเตอร์ที่ 1,536 มิติ |
|---|---|---|---|
| float32 ในหน่วยความจำ | 32 | ~3.1 GB | ~6.1 GB |
| Scalar quantization (int8) | 8 | ~0.8 GB | ~1.5 GB |
| Binary quantization | 1 | ~0.1 GB | ~0.2 GB |
| Memory-mapped บนดิสก์ | 32, paged | RAM โฮสต์ดัชนี | RAM โฮสต์ดัชนี |
ถือว่าตัวเลขเหล่านี้เป็นค่าต่ำสุด ค่าใช้จ่ายเพิ่มเติมของกราฟและ Payload จะอยู่ด้านบน
สองกลไกเปลี่ยนแปลงภาพรวมมากกว่าสิ่งอื่นใดที่คุณจะทำกับโค้ดของคุณ Quantization บีบอัดเวกเตอร์ที่จัดเก็บ และ Qdrant สามารถให้คะแนนรายชื่อสั้นๆ ใหม่กับเวกเตอร์ความละเอียดเต็มเพื่อกู้คืนการเรียกคืนที่สูญเสียไปส่วนใหญ่ ซึ่งทำให้การลดเกรดน้อยกว่าที่ฟังดู การเลือกมิติ คืออีกหนึ่ง: โมเดลเอ็มเบ็ดดิ้งจำนวนมากรองรับเอาต์พุตที่สั้นลง และการลดมิติลงครึ่งหนึ่งจะลดตารางทั้งหมดลงครึ่งหนึ่ง
ข้อสรุปในทางปฏิบัติคือกลยุทธ์การแบ่งส่วน (chunking) เป็นการตัดสินใจด้านต้นทุน ไม่ใช่แค่การตัดสินใจด้านคุณภาพ การแบ่งเอกสารเป็นส่วนเล็กๆ จะทวีคูณจำนวนเวกเตอร์และบิลหน่วยความจำของคุณตามไปด้วย AI Perks ติดตามเครดิตสำหรับเลเยอร์นี้ เพื่อให้คุณสามารถทดสอบในระดับจริงก่อนที่ใบแจ้งหนี้จะสอนคุณ
เครดิต 2,000 ดอลลาร์ใช้สำหรับอะไรจริง ๆ
เงินทุน 2,000 ดอลลาร์ไม่ใช่เงินทุนสำหรับหนึ่งปี แต่เพียงพอที่จะรันคลังข้อมูลจริงของคุณในระดับจริงนานพอที่จะเรียนรู้ว่าต้นทุนการผลิตจะเป็นเท่าไร ซึ่งมีค่ามากกว่าตัวเงิน
ทีมที่ประเมินบิลเวกเตอร์จากตัวอย่าง 10,000 แถว มักจะผิดพลาดไปหนึ่งอันดับ การเรียกคืน ประสิทธิภาพตัวกรอง และผลกระทบด้านคุณภาพจากการทำ quantization ล้วนเปลี่ยนแปลงตามขนาดของคลังข้อมูล และไม่มีสิ่งใดสามารถประมาณการได้อย่างชัดเจนจากดัชนีตัวอย่าง
ดังนั้น ให้ใช้เครดิตเป็นการวัดผล ไม่ใช่ส่วนลด:
โหลดทุกอย่าง ไม่ใช่ตัวอย่าง จุดประสงค์ทั้งหมดคือเพื่อดูพฤติกรรมที่คุณไม่สามารถเห็นได้ในระดับเล็ก
คิวรีพร้อมตัวกรอง ทดสอบรูปแบบคิวรีที่ผลิตภัณฑ์ของคุณจะออกจริง รวมถึงตัวกรองผู้ใช้
วัดการเรียกคืนในการตั้งค่า quantization ของคุณ ตัดสินใจการแลกเปลี่ยนหน่วยความจำด้วยตัวเลขแทนความชอบ
จากนั้นประเมินราคาการโฮสต์เองเทียบกับการจัดการ ด้วยขนาดดัชนีจริง สิ่งนี้จะกลายเป็นการคำนวณแทนการโต้เถียง
ช่วงเวลามีความสำคัญพอๆ กับจำนวนเงิน เครดิตมีกำหนดเวลา ดังนั้นการเปิดใช้งานเงินทุนในขณะที่คุณยังคงเลือกขนาดส่วนแบ่ง (chunk size) จะใช้เครดิตส่วนใหญ่ไปกับดัชนีว่าง ตั้งเวลานาฬิกาให้ตรงกับช่วงเวลาที่คุณมีทั้งคลังข้อมูลและการรับส่งข้อมูล โปรแกรมปัจจุบันและเงื่อนไขอยู่ที่ AI Perks
AI เครดิตชั้นนำสำหรับสตาร์ทอัพ
สมัครโดยตรงผ่านโปรแกรมที่ผ่านการตรวจสอบแล้วเหล่านี้
Qdrant 20% off Qdrant Cloud for 12 months
สำหรับสตาร์ทอัพระยะเริ่มต้น
Claude (via program) $100,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
OpenAI (via program) $2,500
สำหรับสตาร์ทอัพระยะเริ่มต้น
Anthropic $20,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
AWS $300,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
Google Cloud $350,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
เครดิต Qdrant สามารถใช้ร่วมกับอะไรได้บ้าง
การ Retrieval มีค่าใช้จ่ายในสามส่วน: การสร้างเอ็มเบ็ดดิ้ง การจัดเก็บและค้นหา และการสร้างคำตอบ เงินทุนฐานข้อมูลเวกเตอร์ครอบคลุมหนึ่งในสามส่วน
| เลเยอร์ | วิธีการคิดค่าบริการ | สถานที่ที่มีเครดิต |
|---|---|---|
| Embeddings | ครั้งละหนึ่งเอกสาร ใหม่ทุกครั้งที่เปลี่ยนโมเดล | OpenAI, Cohere, Voyage, Mistral |
| การจัดเก็บและค้นหาเวกเตอร์ | ต่อเนื่อง โดยได้รับแรงขับจากหน่วยความจำ | Qdrant, Pinecone, Weaviate |
| Generation | ต่อคำตอบ ต่อผู้ใช้ | Anthropic, OpenAI, Google, xAI |
| Compute และ hosting | ต่อเนื่อง โดยได้รับแรงขับจากเวลาเปิดใช้งาน | AWS, Google Cloud, Azure, Modal |
แถวของเอ็มเบ็ดดิ้งคือแถวที่ทำให้คนสับสน คุณต้องสร้างเอ็มเบ็ดดิ้งคลังข้อมูลหนึ่งครั้งเพื่อจัดทำดัชนี จากนั้นสร้างเอ็มเบ็ดดิ้งใหม่ทั้งหมดทุกครั้งที่คุณเปลี่ยนโมเดล การอัปเกรดเอ็มเบ็ดดิ้งคือการจัดทำดัชนีใหม่ทั้งหมด และสำหรับคลังข้อมูลขนาดใหญ่ นั่นคือใบแจ้งหนี้จริงแทนที่จะเป็นงานเบื้องหลัง
การถือครองเครดิตในหลายๆ ส่วนช่วยให้ทีมสามารถเปลี่ยนแปลงความคิดได้โดยไม่ต้องประชุมงบประมาณ นั่นคือเหตุผลที่แท้จริงสำหรับการรวมเครดิต
สิ่งที่ผู้ก่อตั้งเข้าใจผิดเกี่ยวกับฐานข้อมูลเวกเตอร์
ข้อผิดพลาดที่พบบ่อยที่สุดสองประการคือการนำมาใช้ก่อนที่ผลิตภัณฑ์จะต้องการ และการปฏิบัติต่อคุณภาพการ Retrieval ในฐานะปัญหาของโมเดล ทั้งที่จริงแล้วมักจะเป็นปัญหาของการกรองหรือการแบ่งส่วน
ห้าข้อผิดพลาดที่ควรหลีกเลี่ยง:
การเริ่มต้นเร็วเกินไป Postgres กับ pgvector สามารถรองรับเวกเตอร์หลายแสนรายการและคิวรีที่ไม่ซับซ้อน และช่วยลดจำนวนบริการในสแต็กของคุณ ฐานข้อมูลเวกเตอร์เฉพาะทางจะแสดงคุณค่าเมื่อขยายขนาด เมื่อมีปริมาณคิวรีที่สม่ำเสมอ หรือเมื่อการค้นหาแบบกรองเริ่มให้ผลลัพธ์น้อยเกินไป
การละเลยตัวกรองจนกว่าจะมีผู้ใช้หลายราย เมื่อถึงตอนนั้น รูปแบบคิวรีจะถูกฝังและแก้ไขคือการย้าย
การปฏิบัติต่อ quantization ในฐานะการลดเกรด เป็นความแตกต่างระหว่างดัชนี 6 GB และ 1.5 GB และด้วยการให้คะแนนใหม่ ค่าใช้จ่ายในการเรียกคืนมักจะเล็กน้อย วัดผลแทนการสันนิษฐาน
การสับสนระหว่างโอเพนซอร์สกับฟรี การโฮสต์เองจะช่วยขจัดค่าลิขสิทธิ์ แต่ไม่ใช่ค่าหน่วยความจำหรือการหมุนเวียนการติดต่อ
การลืมด้านเอ็มเบ็ดดิ้ง เครดิตการจัดเก็บครอบคลุมครึ่งหนึ่งของบิลการ Retrieval ผู้ก่อตั้งที่ค้นหาทั้งสองอย่างพร้อมกัน จะได้รับเงินทุนสำหรับหนึ่งปี ส่วนที่เหลือจะได้รับเงินทุนสำหรับหนึ่งในสี่ ทั้งสองด้านถูกรวบรวมไว้ที่ AI Perks
AI เครดิตชั้นนำสำหรับสตาร์ทอัพ
สมัครโดยตรงผ่านโปรแกรมที่ผ่านการตรวจสอบแล้วเหล่านี้
Qdrant 20% off Qdrant Cloud for 12 months
สำหรับสตาร์ทอัพระยะเริ่มต้น
Claude (via program) $100,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
OpenAI (via program) $2,500
สำหรับสตาร์ทอัพระยะเริ่มต้น
Anthropic $20,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
AWS $300,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
Google Cloud $350,000
สำหรับสตาร์ทอัพระยะเริ่มต้น
คำถามที่พบบ่อย
เครดิต Qdrant มีมูลค่าเท่าไหร่?
Qdrant เสนอเครดิตฟรีมูลค่า 2,000 ดอลลาร์สำหรับสตาร์ทอัพ ซึ่งใช้กับ Qdrant Cloud แทนที่จะเป็นเอนจิ้นโอเพนซอร์สซึ่งฟรีอยู่แล้ว ว่าจะไปได้ไกลแค่ไหนขึ้นอยู่กับขนาดของคลังข้อมูลและมิติของเวกเตอร์ แทนที่จะเป็นปริมาณคิวรี เนื่องจากต้นทุนขึ้นอยู่กับหน่วยความจำ เงื่อนไขปัจจุบันและการมีสิทธิ์ได้รับการติดตามที่ getaiperks.com
Qdrant ใช้งานได้ฟรีหรือไม่?
ใช่ ในความหมายที่สำคัญ: Qdrant ได้รับอนุญาตภายใต้ Apache 2.0 และคุณสามารถรันบนฮาร์ดแวร์ของคุณเองได้โดยไม่มีค่าลิขสิทธิ์ สิ่งที่มีค่าใช้จ่ายคือ Qdrant Cloud ซึ่งเป็นบริการที่มีการจัดการ รวมถึงหน่วยความจำที่ดัชนีของคุณใช้ ไม่ว่าจะอยู่ที่ใด การโฮสต์เองเป็นการแลกเปลี่ยนเงินกับงานปฏิบัติการ
ฉันต้องการฐานข้อมูลเวกเตอร์ หรือ pgvector เพียงพอหรือไม่?
สำหรับเวกเตอร์หลายแสนรายการและคิวรีที่เรียบง่าย Postgres กับ pgvector มักจะเพียงพอและช่วยลดจำนวนบริการในสแต็กของคุณ ฐานข้อมูลเวกเตอร์เฉพาะทางจะแสดงคุณค่าเมื่อมีเวกเตอร์หลายสิบล้านรายการ โหลดคิวรีที่สม่ำเสมอ หรือการค้นหาแบบกรองและผู้ใช้หลายรายที่หนักหน่วง ซึ่งการใช้งานแบบง่ายๆ จะเสื่อมโทรมลงอย่างมาก
Qdrant ต้องการ RAM เท่าไหร่?
มากกว่าที่ทีมส่วนใหญ่ตั้งงบประมาณไว้ เวกเตอร์ 32 บิตที่ไม่ได้บีบอัดต้องการประมาณ 4 ไบต์ต่อมิติต่อเวกเตอร์ ดังนั้นเวกเตอร์ 1,536 มิติหนึ่งล้านรายการจะมีขนาดประมาณ 6 GB ก่อนค่าใช้จ่ายเพิ่มเติมของดัชนี Scalar quantization ลดจำนวนนั้นลงเกือบสี่เท่า และ binary quantization ลดลงอย่างมาก ซึ่งทำให้ quantization เป็นการตัดสินใจในการวางแผนมากกว่าการเพิ่มประสิทธิภาพ
ฉันสามารถรวมเครดิต Qdrant กับเครดิต OpenAI หรือ Anthropic ได้หรือไม่?
ใช่ และเครดิตเหล่านั้นครอบคลุมบิลที่แตกต่างกัน Qdrant ครอบคลุมการจัดเก็บและค้นหาเวกเตอร์ของคุณ ผู้ให้บริการเอ็มเบ็ดดิ้งครอบคลุมการสร้าง และผู้ให้บริการโมเดลครอบคลุมการสร้างคำตอบ ทีมที่ถือเครดิตในทั้งสามส่วนจะครอบคลุมค่าใช้จ่ายจริงในปีแรกของผลิตภัณฑ์ Retrieval ดูการรวมกันที่มีอยู่ที่ getaiperks.com
ทางเลือกหลักของ Qdrant คืออะไร?
Pinecone, Weaviate, Milvus, Chroma และ Postgres กับ pgvector จุดเด่นของ Qdrant คือเอนจิ้น Rust, โมเดลการกรอง และใบอนุญาตที่ยืดหยุ่นซึ่งทำให้การโฮสต์เองยังคงเป็นทางเลือกที่แท้จริง ไม่ใช่การข่มขู่ AI Perks ติดตามโปรแกรมเครดิตในหมวดหมู่นี้ทั้งหมดที่ getaiperks.com
สมัครสมาชิกที่ getaiperks.com →
จัดเก็บเวกเตอร์ ให้คนอื่นจ่ายค่าหน่วยความจำ
