Vector Databases

असली systems में vectors को रखना, index करना, filter करना और चलाना सीखें: SQL के साथ pgvector, Qdrant और Chroma APIs, HNSW tuning, filtered व hybrid search, sharding, replication, capacity planning, सुरक्षा और database का चुनाव, हर उदाहरण असली चलाया हुआ।

कोर्स शुरू करें →

पाठ्यक्रम

Vector Database क्या है

1. Vectors को Database क्यों चाहिए
2. परिदृश्य: Libraries, Extensions, समर्पित Engines, Managed Services
3. Data Model: Collections, Records, Payloads और Namespaces
4. क्या अपेक्षा रखें: Approximate, Eventually Consistent, सामान्य Database नहीं

pgvector: PostgreSQL के भीतर Vectors

1. vector Column वाली Table बनाना
2. Distance Operators और ORDER BY
3. WHERE से Filtering: SQL और Vectors साथ
4. Transactions और Types: vector, halfvec

Practice में Indexing

1. Index के बिना: सटीक Sequential Scan
2. HNSW Index बनाना और Plan पढ़ना
3. Recall मापना और Tune करना (ef_search)
4. Index आकार, Build समय और IVFFlat

Filtered और Hybrid Search

1. Filtered-Search की समस्या
2. Pre-Filtering, Partial Indexes और Partitions
3. Hybrid Search: Full-Text और Vectors
4. समर्पित Engine में Filtering: Qdrant

अन्य Engines और उनकी तुलना कैसे करें

1. Chroma: Developer-अनुकूल Embedded Store
2. Engines की तुलना: व्यावहारिक Checklist
3. ईमानदारी से Benchmarking

बड़े पैमाने पर संचालन

1. Bulk Ingestion और Batching
2. Sharding: डेटा को मशीनों में बाँटना
3. Replication, Quorums और Read-Your-Writes
4. क्षमता योजना: Memory ही बजट है

सुरक्षा, Backups और चुनाव

1. सुरक्षा और Multi-Tenancy
2. Backups, Migrations और Re-Embedding
3. Monitoring और लागत

सब कुछ जोड़ना

1. केस स्टडी: SaaS Knowledge Base के लिए Store चुनना और चलाना
2. Revision: Cheat Sheet और Self-Check