Qdrant и векторные базы данных: поиск по смыслу, а не по словам // Демо-занятие курса «NoSQL»

Современные системы поиска и рекомендации уже не сравнивают слова — они работают с векторными представлениями текста и изображений. На занятии мы разберём, как устроен векторный поиск, создадим простую базу на Qdrant и обучим её находить похожие тексты по смыслу 📍 Программа урока: - Что такое embedding и как LLM превращает текст в вектор - Принцип работы Approximate Nearest Neighbor (ANN) - Архитектура Qdrant и хранение векторных индексов - Semantic Search и RAG (Retrieval-Augmented Generation) - Сравнение с Elasticsearch и OpenSearch 👥 Кому будет полезен урок: - Data Science спеицалистам и ML-инженерам, создающим интеллектуальные системы поиска и рекомендаций - Backend- и Fullstack-разработчикам, которые хотят интегрировать семантический поиск в свои приложения - Архитекторам и инженерам данных, оценивающим векторные базы данных для своих проектов - Всем, кто работает с RAG, чат-ботами и Large Language Models (LLM) ✅ Результаты после урока: - Глубокое понимание принципов работы векторного поиска и архитектуры Qdrant - Разработаем собственный прототип поисковой и рекомендательно системы на основе сходства текстов «NoSQL» - https://otus.pw/J8cl/ Преподаватель: Дмитрий Гурьянов - тимлид команды разработки CRM-решений на платформе .NET в Промсвязьбанке Пройдите опрос по итогам мероприятия - https://otus.pw/3An9/ Следите за новостями проекта: → VK: https://vk.com/otusru → Telegram: https://t.me/Otusjava → Хабр: https://otus.pw/S0nM/