Vector Databases: ชั้นเก็บข้อมูลสำหรับ AI Applications
Vector databases เก็บและเรียกค้นข้อมูล high-dimensional embeddings — การแสดงตัวเลขที่ขับเคลื่อน semantic search, recommendation engines, และ retrieval-augmented generation ซึ่งต่างจาก relational databases หรือ document databases ที่สร้างมาเพื่อตอบคำถามเช่น "ค้นหาสินค้า 10 รายการที่คล้ายกับ query นี้มากที่สุด" ในขนาดใหญ่และมี latency ต่ำ Track นี้ครอบคลุมเครื่องมือสามตัวที่ครองตลาดในการผลิต: Pinecone, Weaviate, และ pgvector — บริการแบบ managed cloud, open-source engine ที่ self-hosted, และ PostgreSQL extension ตามลำดับ
สิ่งที่คุณจะเรียนรู้
คุณจะเริ่มต้นด้วยการทำความเข้าใจว่า vector databases ทำงานอย่างไรภายใน จากนั้นจึงไปสู่การสร้างและจัดการ embeddings สำหรับชุดข้อมูลจริง จากจุดนั้นคุณจะสร้าง applications โดยใช้แต่ละแพลตฟอร์มอย่างลึกซึ้ง: indexing และ querying กับ Pinecone, การสร้างโมเดลข้อมูลด้วย schema ของ Weaviate และ GraphQL interface, และการเพิ่ม vector search ลงในส่วน Postgres ที่มีอยู่แล้วด้วย pgvector Track นี้เน้นการใช้ Retrieval-Augmented Generation (RAG) เป็นพิเศษ — การสร้าง pipelines ที่รองรับคำตอบของ LLM ด้วยข้อมูลของคุณเอง — จากนั้นจึงเข้าไปยังพื้นที่ขั้นสูง: multi-stage RAG strategies, pgvector index tuning และ query optimisation, และ hybrid search และ module system ของ Weaviate หลักสูตรสุดท้ายครอบคลุมการ deploy และ operate vector database applications ในสภาพแวดล้อมการผลิต และการประเมิน hybrid approaches ที่กำลังเกิดขึ้น
เส้นทางการเรียนรู้
สิบสองหลักสูตรครอบคลุม A1 ถึง C2 Track เปิดด้วย Fundamentals of Vector Databases และ introductions แบบขนาน A2 สองตัว — หนึ่งสำหรับ Pinecone, หนึ่งสำหรับ pgvector — ก่อนมารวมกันที่ B1 ด้วย embedding generation และแนวคิดหลักของ Weaviate ชั้น B2 เพิ่ม Advanced Pinecone Operations และหลักสูตร RAG แรก ส่วน C1 เป็นส่วนที่ยาวที่สุด: Advanced Weaviate Capabilities, Optimizing pgvector Performance, Advanced RAG Strategies, และ Productionizing Vector Database Applications Track ปิดท้ายที่ C2 ด้วย Future Trends & Hybrid Approaches ซึ่งสำรวจภูมิทัศน์ที่บรรจบกันของ vector, keyword, และ graph retrieval
วิธีการทำงาน
แต่ละหลักสูตรแบ่งออกเป็นบทเรียนสั้น ๆ แบบ hands-on ที่คุณเสร็จสิ้นในตัวแก้ไขโค้ดในตัวที่มี real-time feedback AI tutor มีความพร้อมเมื่อใดก็ตามที่คุณติด ดังนั้นคุณสามารถทำงานผ่าน index configuration, embedding pipelines, และ query optimisation ในจังหวะของคุณเองโดยไม่ออกจากแอป