Ricerca semantica vera
"Trovami i ticket simili a questo": non per parole condivise ma per significato. Anche con sinonimi, paraphrase, lingue diverse.
Strumenti · Vector database
Il database che capisce la similarità semantica. Memorizza milioni di vettori e ne trova i più vicini in millisecondi. Scritto in Rust per velocità e robustezza. È il motore sotto ai sistemi RAG e di ricerca semantica.
Quando il database deve capire il senso, non solo l'esatto match.
In 30 secondi
Un vector database memorizza rappresentazioni numeriche (embedding) di testi, immagini, audio. Quando arriva una query, la trasforma nello stesso spazio e trova i K vettori più vicini. È la tecnologia che permette "trovami contenuti simili a questo" anche se non condividono nessuna parola. Qdrant è il leader open source per casi enterprise: filtri arbitrari sui metadati, clustering nativo, integrazione semplice.
Per il business
"Trovami i ticket simili a questo": non per parole condivise ma per significato. Anche con sinonimi, paraphrase, lingue diverse.
Sotto carico fa quello che dichiara: milioni di vettori, query in millisecondi, footprint memoria contenuto. Maturo per produzione.
Ogni vettore ha metadati arbitrari: tenant, autore, data, categoria. La query semantica si combina con filtri SQL-like. Multi-tenancy nativa.
Container Docker per iniziare, cluster Kubernetes per scalare, o servizio managed Qdrant Cloud se preferisci. Stesso API.
Quando ha senso
Quando NON ha senso
Installazione
Container Docker singolo. Web UI integrata su porta 6333 per ispezionare collezioni e fare query manuali. SDK client Python, Node, Go, Rust ufficiali. Backup tramite snapshot consistenti.
La valutazione iniziale chiarisce il caso d'uso, l'integrazione con il resto dello stack, l'investimento. Senza presentazioni generiche.