#vector db
risultati
-
Databricks AI Search: la modalità High QPS diventa generally available
Su Databricks è ora in GA la modalità High QPS per gli endpoint standard di AI Search: si…
-
Classificare documenti su 100.000+ label: il workflow vector search + AI Classify di Databricks
Databricks confronta vector search, AI Classify e chiamata diretta ai frontier model su tassonomie con oltre 100.000 label:…
-
Dal warehouse ai vettori pronti per l’AI con le Embedding Columns di Fivetran Activations
Fivetran Activations aggiunge le Embedding Columns per generare embedding vettoriali dentro i dataset e nuove connessioni verso Pinecone…
-
Costruire un’architettura RAG: perché conviene un repository intermedio
Come combinare i dati aziendali con un foundation model tramite RAG, e perché far atterrare i dati in…
-
FivetranChat: costruire un chatbot RAG interno con strumenti off-the-shelf
Come Fivetran ha messo in produzione un chatbot interno basato su architettura RAG, appoggiandosi ai servizi AI nativi…
-
Un agente operativo per eventi con MongoDB Atlas, Voyage e LangGraph
Un tutorial che parte dove la maggior parte delle demo di agenti si ferma: memoria persistente, contesto operativo…
-
Vector database a confronto: latenza, costo, e quando non servono
Abbiamo testato cinque motori su retrieval reale. Spoiler: per molti casi una buona indicizzazione full-text basta.