传统的词汇搜索不能满足当今时代的需求，特别是在这个智能的时代。当代企业针对搜索提出语义搜索，也就是根据文字的语义来进行搜索，而不是简单的词汇匹配。另外，我们也需要针对其它的数据类型，比如图片，语音及视频来进行搜索。Elasticsearch 自 8.0 开始提供向量搜索（密集向量，稀疏向量）。它可以完美地解决文字语义搜索及多媒体数据的搜索。此外，向量搜索也并非完美，特别是针对文字搜索。我们可以使用混合搜索（词汇搜索，向量搜索）进行多路召回并对最终结果进行排名，这种方法可以提高搜索的精度及召回率。在人工智能发展的今天，结合大模型，使用 GenAI 可以让我们得到唯一的搜索答案，而不是传统的搜索引擎提供的多页面的搜索结果。由于企业数据或私有数据在每时每刻都在生成。大模型在缺乏上下文的情况下使用大模型来进行推理，在很多的时候会产生幻觉，因为这些知识不存在于大模型中。结合 Elasticsearch 的向量搜索技术针对企业数据或私有数据进行搜索，把搜索结果作为上下文提供给大模型，从而消除幻觉。这种技术也被称作为 RAG（检索增强生成）。本次演讲将详细介绍 Elasticsearch 的向量搜索技术及如何使用它进行 RAG 的应用开发。

演讲提纲

1. 智能时代的搜索需求

• 对语义搜索的需求，而不是简单的词汇匹配
• 对多媒体数据的搜索，比如图片，声音及视频
• 非结构化数据的搜索
• 向量搜索带来的新的解决方案

2. Elasticsearch 向量搜索

• 向量搜索原理
• 向量搜索种类（密集向量，稀疏向量）
• 混合搜索介绍（多路召回，综合评分）

3. RAG 实现

• 如何使得大模型变得更聪明
• RAG 的实现方法

4. Elasticsearch 在向量搜索上的最新进展

• 硬件加速
• 并行化
• 标量量化
• 搜索效率
• 重新排名
• Semantic text 字段
• 推理 API
• AI 生态

5. 使用 Elasticsearch 在企业搜索中的案例分享

• 高级 RAG 案例分享

您认为，这样的技术在实践过程中有哪些痛点？

向量搜索需要大量的内存及计算能力，如果针对超大规模的数据进行向量搜索，存在成本上考虑。有时搜索的结果缺乏可解释性。如何结合传统的词汇搜索来实现更加精准的搜索的结果。如何使用大语言模型/人工智能来提高最终的搜索结果排名。在使用 GenAI 时，如何针对私有或者企业数据来规避幻觉。

演讲亮点

• 使用 Elasticsearch 来针对企业进行大规模的商用、规避搜索幻觉
• 结合大模型，使用混合搜索来得到更加精准的搜索结果

听众收益

• 了解如何运行 Elasticsearch 来进行语义搜索
• 了解如何结合大模型，针对企业数据进行 GenAI 搜索