美团外卖基于GPU的向量检索系统实践
原文中文，约7300字，阅读约需18分钟。
📝
内容提要
随着大数据和人工智能时代的到来，向量检索的应用场景越来越广泛。在信息检索领域，向量检索可以用于检索系统、推荐系统、问答系统等。为了解决向量检索的耗时和计算资源消耗巨大的问题，业界提出了ANN（Approximate Nearest Neighbor）近邻检索方案。美团外卖利用Elasticsearch+FAISS搭建了向量检索系统，实现了10亿级别+高维向量集的标量+向量混合检索的能力。为了进一步减少检索时间，他们探索基于GPU的向量检索，并实现了一套通用的检索系统。在美团外卖业务中，向量检索已广泛应用于各个场景。
❓
Q&A
美团外卖的向量检索系统是如何搭建的？
美团外卖利用Elasticsearch和FAISS搭建了向量检索系统，实现了10亿级别的高维向量集的标量和向量混合检索能力。
向量检索在美团外卖的业务中有哪些应用场景？
向量检索在美团外卖中广泛应用于检索系统、推荐系统和问答系统，尤其与地理位置服务结合。
美团外卖向量检索系统的性能如何提升？
通过探索基于GPU的向量检索，采用IVF-PQ+Refine方案和多GPU并行检索等技术，显著提升了检索性能和召回率。
什么是ANN近邻检索方案，它的优势是什么？
ANN近邻检索方案通过构建有效索引，减少向量计算量，提高检索速率，适用于大数据量和高维度场景。
HNSW算法在向量检索中的表现如何？
HNSW算法在高维数据近似最近邻搜索中表现优异，但在高过滤比下性能会下降。
美团外卖向量检索系统上线后的效果如何？
上线后，向量索引召回率由85%提升至99.4%，检索时延显著降低，TP99降低89%。
🏷️
