Saltar al contenido principal

FAISS

Librería de búsqueda de similitud de alta performance desarrollada por Meta, usada en producción a escala de miles de millones de vectores. No es una base de datos completa: no tiene persistencia nativa, APIs web ni gestión de metadatos.

pip install faiss-cpu   # o faiss-gpu para GPU NVIDIA
import faiss
import numpy as np

d = 768  # dimensión de los embeddings
index = faiss.IndexFlatL2(d)

vectors = np.random.rand(1000, d).astype("float32")
index.add(vectors)

query = np.random.rand(1, d).astype("float32")
distances, indices = index.search(query, k=5)

Puntos fuertes​

  • Velocidad extrema (8x más rápido que alternativas anteriores)
  • Soporte GPU (NVIDIA CUDA)
  • Múltiples métodos de indexación: Flat, IVF, HNSW, PQ...

Limitaciones​

  • Sin persistencia nativa (hay que serializar/deserializar el índice manualmente)
  • Sin gestión de metadatos
  • Requiere código propio para todo lo que no sea la búsqueda en sí

Cuándo usarlo: cuando el rendimiento es la única prioridad y construyes tu propia infraestructura alrededor.

Referencias​