2023, comparação e guia para escolher um banco de dados vetorial / Picking a vector database: a comparison and guide for 2023

• Um texto comparativo e guia para escolher um Vector Database usado em aplicações como LLM, RAG e Semantic Search, traduzido do artigo de Emil Fröberg, cofundador da Vectorview.

• Foram comparados 7 bancos de dados vetoriais: Pinecone, Weviate, Milvus, Qdrant, Chroma, Elasticsearch e PGvector.

• Os critérios de comparação são os seguintes.

  1. Se é open source
  2. Se permite self-hosting
  3. Se é gerenciado em nuvem
  4. Se é dedicado a vetores
  5. Experiência do desenvolvedor e comunidade
  6. QPS (Query-per-Second) e latência
  7. Tipos de índice suportados
  8. Se oferece busca híbrida e suporte a indexação em disco
  9. Se oferece suporte a controle de acesso baseado em função (RBAC)
  10. Segmentos dinâmicos vs. shardings de dados estáticos
  11. Se oferece camada gratuita de hospedagem e preços

• Original: https://benchmark.vectorview.ai/vectordbs.html