作者：Simon Cooper
探索新的 Elasticsearch element_type： bfloat16，可以将你的向量数据存储减半。
从向量搜索到强大的 REST APIs， Elasticsearch 为开发者提供了最全面的搜索工具包。深入探索 Elasticsearch Labs repo 中的示例 notebooks，尝试一些新的东西。你也可以现在就开始你的 free trial，或者在本地运行 Elasticsearch。
Elasticsearch 9.3 带来了多项针对向量数据的重要改进，包括一个新的 element_type： bfloat16。这有可能将你的向量数据存储减半，并且在大多数使用场景下，对召回率和运行时性能的影响都非常小。
Dense_vector 字段中的存储格式
在 9.3 之前， dense_vector 字段支持单比特向量、 1-byte 整数以及 4-byte 浮点数。我们在用于索引的任何量化和/或分层可导航小世界（ HNSW ）图之上存储原始向量，而原始向量占据了向量索引所需磁盘空间的绝大部分。如果你的向量是浮点数，那么在 9.3 之前的 Elasticsearch 版本中，唯一的选择是每个向量值存储 4 bytes：对于一个 1024 维向量来说，就是 4kB。
当然，还有其他可用的浮点大小： IEEE-754 规定了多种不同长度的浮点格式，包括 Java 的 float 和 double 类型所使用的 4-byte float32 和 8-byte float64。它还定义了一种 float16 格式，每个值只使用 2 bytes。然而，它的最大值只有 65,504，相比之下 4-byte float32 的最大值是 3.4x10^38，并且在两者之间进行转换需要多次算术运算。
作为一种替代方案，许多机器学习（machine learning - ML）应用现在使用 bfloat16，它是对 IEEE-754 float32 的一种修改，只使用 2 bytes。它通过丢弃数值小数部分的最低 2 bytes 来实现，从而保留符号位和指数位不变。这在不相应降低取值范围的情况下，有效降低了浮点值的精度。从 float32 转换为 bfloat16 只是对 float32 值进行一次简单的按位截断，并通过少量处理来实现正确的舍入。
Source: Wikipedia
Elasticsearch 9.3 中的 bfloat16
Elasticsearch 9.3 现在支持将向量元素类型存储为 bfloat16。在内存中，它仍然会将每个向量值处理为 4-byte 的 float32，因为 Java 并没有内置对 bfloat16 的支持。当将向量数据写入磁盘时，它会简单地将每个 float32 值截断并舍入为 2-byte 的 bfloat16，并在将值读入内存时把每个 bfloat16 值零扩展回 float32。
这实际上将你的向量索引大小减半，因为每个值使用 2 bytes 而不是 4 bytes。在读取和写入数据时， Elasticsearch 在执行必要的转换过程中可能会有一些小的性能开销，但这通常会被 I/O 需求的大幅减少所抵消，因为 OS 现在只需要读取一半的数据。而且对于大多数数据集来说，对搜索召回率的影响是最小的。
作为一个示例，这是在我们的 dense_vector 数据集上使用 bfloat16 时的大小差异：
所以，如果你的输入向量已经是 bfloat16 精度，那就太好了！ Elasticsearch 接受以 float 值形式以及 Base64 编码向量形式提供的原始 bfloat16 向量。这些向量会以与你原始源数据相同的精度持久化到磁盘，从而立即将你的数据存储需求减半。
如果你的输入向量是 4-byte 精度，你同样可以使用 bfloat16 格式来将索引数据大小减半。 Elasticsearch 会将每个值截断并舍入为 2-byte 精度，丢弃小数部分中最低有效的比特。这意味着你从 Elasticsearch 取回的向量值将不会与最初索引时的值完全相同，因此如果你需要保持 float32 的完整 4-byte 精度，就不要使用 bfloat16。
从 Elasticsearch 9.3 开始，以及在 Elasticsearch Serverless 上，你可以在任何新创建的索引中，为所有 dense_vector 索引类型指定 element_type： bfloat16。如果你希望在现有索引中使用 bfloat16，可以重新索引到一个 element_type： bfloat16 的索引中， Elasticsearch 会自动将你现有的 float 向量转换为 bfloat16。
原文：https://www.elastic.co/search-labs/blog/bfloat16-vector-support-elasticsearch