Qdrant er en vektorlighedssøgemaskine designet til at accelerere AI- og maskinlæringsarbejdsgange. Den er særligt kraftfuld, når den kombineres med dedikeret GPU-serverinfrastruktur som den, der tilbydes af Trooper.AI, hvilket muliggør hurtig prototypering og implementering af komplekse AI-løsninger.
Qdrant udmærker sig ved at finde de mest lignende vektorer til en given forespørgselsvektor, hvilket gør det ideelt til applikationer som semantisk søgning, anbefalingssystemer og billed-/videohindring.
Traditionelle databasesystemer kæmper med den høje dimensionalitet og komplekse lighedsberegninger, der er iboende i vektorembeddings. Qdrant, optimeret til vektordata, kombineret med GPU'ernes parallelle processorkraft, leverer betydelige præstationsforbedringer. En Trooper.AI GPU-server leverer den nødvendige processorkraft til at håndtere storskala vektordatasets og levere søgeresultater med lav latenstid.
GPU-beschleunigung er aktiveret som standard i vores forkonfigurerede Qdrant-skabelon og sikrer dermed optimal ydeevne til dine søgninger.
Her er nogle specifikke use cases, hvor Qdrant, drevet af Trooper.AI GPU-servere, excellerer:
Her er et eksempel på en typisk API-workflow med Qdrant, efterfulgt af et Python-eksempel til at forespørge efter lignende vektorer:
Standard API-arbejdsgang med Qdrant:
Authorization-headeren af dine anmodninger.Her er et eksempel på et Python-kald til Qdrant for at søge efter lignende vektorer:
import requests
import json
import numpy as np
# Qdrant API endpoint and collection name
QDRANT_API_URL = "https://SECURE-TROOPER-APP-URL" # Replace with your Qdrant endpoint
QDRANT_COLLECTION_NAME = "my_collection"
# Your API Key
API_KEY = "YOUR_QDRANT_API_KEY" # Replace with your Qdrant API key
# Payload for the search request
payload = {
"vectors": (np.random.rand(128).tolist()), # Replace with your query vector
"limit": 10 # Number of results to return
}
headers = {
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
}
try:
response = requests.post(f"{QDRANT_API_URL}/collections/{QDRANT_COLLECTION_NAME}/search",
headers=headers,
data=json.dumps(payload))
response.raise_for_status() # Raise HTTPError for bad responses (4xx or 5xx)
results = response.json()
print(json.dumps(results, indent=2))
except requests.exceptions.RequestException as e:
print(f"Error: {e}")
print(f"Response text: {response.text}")
except Exception as e:
print(f"An unexpected error occurred: {e}")
Dette eksempel viser, hvordan man spørger Qdrant efter lignende vektorer. Husk at erstatte "https://SECURE-TROOPER-APP-URL", "my_collection", "YOUR_QDRANT_API_KEY" og eksemplet på vektor med din faktiske Qdrant-endpoint, samlingnavn, API-nøgle samt søgevæktor. Se i [Qdrant API-dokumentationen](https://qdrant.tech/documentation/) for flere endpoints og funktioner.
Qdrant leverer en brugervenlig web-dashboard til at administrere dine vektorer og samlinger. Dashboardet giver dig mulighed for:
Du kan få adgang til Qdrant-dashboardet via din Qdrant-implementerings webinterface.
Tilføj
/dashboardtil din API-URL for at få adgang til den.
Henvis til Qdrant-dokumentationen for detaljerede instruktioner om adgang og brug af dashboards: https://qdrant.tech/documentation/. Brug af dashboards i forbindelse med en Trooper.AI GPU-server sikrer en glat og responsiv oplevelse ved arbejde med store vektorbaserede datamængder.