阿里云 Elasticsearch AI 搜索实践

2024-09-10
浙江
本文字数：3689 字
阅读完需：约 12 分钟

TechDay

本文由阿里云技术专家魏子珺在【AI 搜索 TechDay】上的分享【阿里云 Elasticsearch AI 搜索实践】整理而成。

【AI 搜索 TechDay】是 Elastic 和阿里云联合主办的 AI 技术 Meetup 系列，聚焦企业级 AI 搜索应用和开发者动手实践，旨在帮助开发者在大模型浪潮下升级 AI 搜索，助力业务增长。

阿里云 Elasticsearch 的 AI 搜索实践与探索

近年来，Elasticsearch（简称 ES）在 AI 领域的发展非常快。作为一名深耕 ES 领域近十年的研究者，我见证了 ES 的飞速发展，但像现在 AI 相关特性上如此快速的迭代，还是非常惊讶的，并意识到持续跟进 AI 技术的重要性，特别是在阿里云 ES 上，我们要去做些什么，能够让 ES 的用户能够更好的去使用上这些 AI 功能。

本次分享聚焦于阿里云 ES 平台上的 AI 搜索实践与探索。经过团队研究，我们已在多个方向取得实质性进展。我先简要概述 ES 在 AI 领域的核心特性，提供一个概览性的理解。

ES 在 AI 场景核心技术之一是引入了先进的语义理解能力，特别是通过 embedding 向量技术革新搜索引擎。具体而言，我们将文本转换为高维向量，这超越了传统分词和同义词匹配的局限，实现了对词语语境和含义的深度捕捉。例如，对于“狗”这个词，不仅能识别出直接相关的查询，还能延伸至“哈士奇”、“泰迪”等具体品种，极大地丰富了搜索的相关性和精准度。

实现这一突破的关键在于采用了 HNSW 算法进行近似最近邻搜索。该算法采用分层结构进行高效检索，通过逐步细化搜索空间来逼近最相似结果，有效减少了全量数据扫描的需求，提升了查询效率。然而，HNSW 要求较高的内存资源以支持其全内存操作，这对系统资源管理提出了挑战，同时也强调了参数调优的重要性，以在保证效率的同时最大化搜索的准确性和召回率。

Elasticsearch 向量引擎的性能提升与迭代更新

聚焦于 Elasticsearch 向量引擎的持续优化进程，特别是针对性能与成本的改进，显得尤为关键。初期，由于普遍存在的认知偏差——认为 ES 向量引擎虽功能强大但在性能上可能存在短板，尤其是对于 Java 生态系统中的应用——这一观点正逐渐被其技术演进所颠覆。实际上，自 8.0 初始版本至当前已经迈入的 8.15 版本的历程中，ES 不断迭代，特别是在性能优化方面取得了显著进展，其中包括但不限于对硬件加速技术的有效整合。

特别地，ES 利用硬件加速技术在向量检索领域，尤其是处理复杂相似度计算任务时，实现了显著的性能飞跃。这种技术创新不仅限于理论层面，实践证明，通过硬件加速器的深度融合，部分计算密集型操作的效率提升了数倍乃至更多。例如，从 2022 年 9 月至今的基准测试数据可直观看出，查询响应时间从最初 100ms 大幅缩减至现在 20ms 左右，彰显了 ES 向量检索迭代升级带来的巨大性能提升。

此外，ES 在内存优化同样值得关注，通过向量量化技术，所需内存仅为原先需求的四分之一，极大提升了资源利用率。同时，针对高并发查询场景进行的优化，确保了在处理大规模客户信息查询等任务时，系统的稳定性和响应速度得以保持，进一步验证了 ES 在向量处理应用中的高性能。

提升 Elasticsearch 性能与功能：稀疏向量与模型应用

在探讨 Elasticsearch 的应用时，特别是关注其在处理文本数据、性能优化及混合搜索策略方面的高级功能，核心要点可精炼如下：

语义扩展与稀疏向量表示：Elasticsearch 利用诸如稀疏编码技术，不仅能够基于原始词汇建立索引，还能有效扩展至与其相关的概念或词汇，每项扩展均附有模型计算出的权重，增强了语义理解的深度和广度。这得益于稀疏向量技术，它以较低内存占用高效存储信息，对比稠密向量需全内存索引，显著提升了资源效率。

查询效率与资源优化：查询过程受益于倒排索引结构，避免了向量相似度匹配的开销，加速了检索速度。此外，Elasticsearch 的稀疏向量减少了内存需求，进一步优化了资源利用。

混合搜索策略：现代搜索需求促使 Elasticsearch 支持多模态查询，结合文本、向量检索以及 rrf 混合排序方法，以增强结果的相关性和覆盖范围。这种混合搜索策略能够召回更多样化的数据，提升用户体验。

排名与相关性调整：为了从召回的大量数据中精确选出最相关的结果，ES 采用如 BM25 等排序机制，考虑文档频率和位置等因素初步确定权重。随后，通过集成学习或更精细的模型（如 rerank 阶段）对初步筛选出的文档进行二次排序，确保顶部结果高度相关。

模型集成与原生支持：Elasticsearch 展现了强大的模型集成能力，允许用户直接将自定义模型加载至集群中运行，实现从输入到输出（如词嵌入生成）的端到端处理，无需外部预处理步骤。这不仅简化了工作流程，还促进了机器学习模型与搜索引擎的无缝融合，强化了系统的智能化水平和适应性。

用云服务提升模型的使用效率和灵活性

Elasticsearch 中的 Inference API 及其在阿里云环境下的应用，这是一个相对较新的功能，自 8.11 版本引入，旨在简化和优化机器学习模型在 ES 上的部署与使用流程。该 API 的核心价值在于，它允许用户无需经历繁琐的模型下载、安装及资源调配等步骤，即可直接在 ES 中利用预训练模型进行高级查询和数据分析，特别是针对诸如文本向量化这样的任务。

具体而言，Inference API 通过整合第三方模型服务，如来自 OpenAI、Hugging Face 等知名平台的模型，以及阿里云自家的 AI 搜索模型，为用户提供了一个统一且便捷的接口。这意味着，用户仅需通过简单的 API 调用，就能在 ES 环境中启用这些模型，无论模型是本地部署还是远程托管，极大地降低了技术门槛和运维成本。用户在操作时，体验几乎无差异，无论是创建、查询还是执行嵌入操作，所有过程均围绕模型 ID 进行，ES 内部会自动处理文本到向量的转换及后续的查询优化工作。

这一创新对于 ES 用户，尤其是那些涉及语义搜索或复杂文本分析场景的用户来说，意义重大。它不仅简化了模型集成的流程，还内置了文本预处理、特征提取等功能，用户仅需关注业务逻辑，通过提供的模型 ID，即可实现从原始文本查询到模型预测结果的无缝对接，进而进行高效的向量搜索或其他相关检索操作。最终，这促进了 ES 作为数据存储与分析平台的功能延展，使之更加适应现代 AI 驱动的应用需求，提升了用户体验和系统整体效能。

基于阿里云 AI 的 Elasticsearch 引擎扩展与服务

阿里云 Elasticsearch AI 搜索方案集成了人工智能模型的搜索引擎架构，旨在优化用户的查询体验与内容处理能力，核心在于将复杂的模型服务与 Elasticsearch 引擎紧密结合，简化了从数据摄入到信息检索的全过程，具体如下：

用户查询接口：用户通过提交查询 query 启动流程，这可能是自然语言文本或其他形式的输入。
AI 搜索开发工作台：提供一个集成环境，允许用户不仅提交查询，还能利用预设的场景模板进行高级搜索配置，如增强的语义搜索等，提升了易用性和灵活性。
模型服务集成：创新之处在于将多种模型服务直接嵌入 ES 内部，用户无需在本地部署模型。这些模型涵盖了内容解析、文档处理等多种功能，简化了从前端到后端的模型应用流程。
数据处理自动化：用户上传文档时，系统自动解析（如 PDF、HTML 等格式），并运用预训练的文本理解模型进行内容分析，实现结构化信息提取及文本向量化，这一过程无缝集成于 ES 的索引流程中。
查询处理与混合检索：查询接收后，通过自然语言处理技术理解用户意图，即使面对模糊或上下文不全的查询也能有效识别。检索过程中，结合传统的关键词匹配与基于向量的相似性检索，实现了混合检索策略，提高了查询结果的相关性。
结果展示与交互：检索完毕，数据经由 Elasticsearch 处理后，可直接用于前端展示或进一步的业务逻辑处理。