Qdrant и векторные базы данных: поиск по смыслу, а не по словам // Демо-занятие курса «NoSQL»

Современные системы поиска и рекомендации уже не сравнивают слова — они работают с векторными представлениями текста и изображений. На занятии мы разберём, как устроен векторный поиск, создадим простую базу на Qdrant и обучим её находить похожие тексты по смыслу

📍 Программа урока:
Что такое embedding и как LLM превращает текст в вектор
Принцип работы Approximate Nearest Neighbor (ANN)
Архитектура Qdrant и хранение векторных индексов
Semantic Search и RAG (Retrieval-Augmented Generation)
Сравнение с Elasticsearch и OpenSearch

👥 Кому будет полезен урок:
Data Science спеицалистам и ML-инженерам, создающим интеллектуальные системы поиска и рекомендаций
Backend- и Fullstack-разработчикам, которые хотят интегрировать семантический поиск в свои приложения
Архитекторам и инженерам данных, оценивающим векторные базы данных для своих проектов
Всем, кто работает с RAG, чат-ботами и Large Language Models (LLM)

✅ Результаты после урока:
Глубокое понимание принципов работы векторного поиска и архитектуры Qdrant
Разработаем собственный прототип поисковой и рекомендательно системы на основе сходства текстов

«NoSQL» - https://otus.pw/J8cl/

Преподаватель: Дмитрий Гурьянов - тимлид команды разработки CRM-решений на платформе .NET в Промсвязьбанке

Пройдите опрос по итогам мероприятия - https://otus.pw/3An9/

Следите за новостями проекта:
→ VK: https://vk.com/otusru
→ Telegram: https://t.me/Otusjava
→ Хабр: https://otus.pw/S0nM/