作者 | Puck项目组

导读 

Puck是百度自研的开源ANN检索引擎。Puck开源我的项目蕴含两种百度自研的检索算法，以高召回、高精确、高吞吐为指标，实用于多种数据规模和场景。随着业务倒退一直的优化和迭代，进行充沛的技术开发和测试，确保了技术的可靠性和成熟度。该我的项目于2019年厂内开源，广泛应用于外部多条产品线，撑持万亿级数据和海量申请。在benchmark上显示，Puck在千万、亿、十亿等多个数据集上，性能劣势显著。

全文2682字，预计浏览工夫7分钟。

ANN全称近似最近邻检索（Approximate Nearest Neighbor），指标是从全量向量数据中寻找间隔最近的TopK个向量，同时须要均衡检索成果和检索老本。自2012年AlexNet呈现之后，深度学习在图像畛域大放异彩，2017年 transformer的推出重构了NLP畛域，基于语义的检索颠覆了传统检索畛域，使得ANN技术广泛应用于搜寻、举荐等多个场景，成为互联网的根底技术之一。

做为钻研热点，无论学术界还是工业界，近些年都呈现了许多ANN算法的翻新钻研和利用，包含基于分区和基于图形的索引策略、混合RAM和SSD存储以高效存储和解决超过RAM大小的大型数据集、应用加速器硬件、利用机器学习来升高原始矢量的维度，以及Spotify的ANNOY、Google的ScaNN、Facebook的Faiss和HNSW等。

01 Puck 是什么？

Puck是百度自研的高性能ANN检索引擎，名称取自经典MOBA游戏DOTA中的智力英雄-Puck，是飘逸、灵动的代表。

咱们很早即投入自研近似最近邻检索算法（ANN）的钻研，2017年Puck实现首次上线，2019年底外部开源，目前已广泛应用于百度外部多条产品线，随着业务倒退一直的优化和迭代，进行了充沛的技术研发和测试，确保了技术的当先性和成熟度。

Puck开源我的项目蕴含两种百度自研的检索算法Puck&Tinker，以高召回、高精确、高吞吐为指标，在大中小数据集上都有优异体现。在benchmark的千万、亿、十亿等多个数据集上，Puck性能劣势显著，均显著超过竞品。在2021年底Nerulps举办的寰球首届向量检索大赛BIGANN较量中，Puck加入的四个我的项目均取得第一。

02 Puck 劣势有哪些？

1、易用性：提供简略易用的API接入，尽量少的裸露参数，大部分参数应用默认即可达到良好性能。

2、扩展性：采纳齐全自研的索引构造，反对多种性能扩大，适应多种场景，我的项目模块划分正当，便于革新优化，可不便用户接口自行添加。

3、高性能：在benchmark的千万、亿、十亿等多个数据集上，Puck性能劣势显著，均显著超过竞品。

4、可靠性：通过多年在理论大规模场景下的验证打磨，广泛应用于百度外部包含搜寻、举荐等三十余条产品线，撑持万亿级索引数据和海量检索申请。

03 Puck 性能劣势

Puck 在开源前，曾加入过首届国内向量检索大赛BigANN。首届国内向量检索大赛BigANN是由人工智能畛域寰球顶级学术会议NeurIPS发动，由微软、facebook等公司协办的寰球最高程度的赛事，旨在晋升大规模ANN的钻研翻新和生产环境中的落地利用。

虽是首届大赛，但因NeurIPS的极高知名度和权威性，吸引了泛滥知名企业和顶尖大学的同台竞技。本届较量已于2021年12月NeurlPS’21会议期间颁布后果，Puck在参赛的四个数据集中均排名第一 。

除此之外，Puck继续地优化和迭代，以放弃其在变动的业务环境中提供高效的检索性能。除了十亿数据集以外，咱们构建了亿级&千万级benchmark，创立了更合乎实在工业生产环境的benchmark机制和环境，Puck&Tinker在多个数据集上性能劣势显著。

BIGANN-10M

△deep-10M和BIGANN-10M数据集上，召回率 VS QPS的性能图

更具体benchmark见：

https://github.com/baidu/puck/tree/main/ann-benchmarks

04 Puck 性能拓展

为了让 Puck 更加亲民，咱们还做了多个性能的拓展，目前能够实现：

1、实时插入：反对无锁构造的实时插入，做到数据的实时更新。

2、条件查问：反对检索过程中的条件查问，从底层索引检索过程中就过滤掉不符合要求的后果，解决多路召回归并常常遇到的截断问题，更好满足组合检索的要求。

3、分布式建库：索引的构建过程反对分布式扩大，全量索引能够通过map-reduce一起建库，无需按分片build，大大放慢和简化建库流程。

4、自适应参数：ANN办法检索参数泛滥，利用起来有不小门槛，不理解技术细节的用户并不容易找到最优参数，Puck提供参数自适应性能，在大部分状况下应用默认参数即可失去很好成果 。

05 Puck 在业务中的应用

在开源前，Puck在多个业务中曾经进行了大规模的无效验证。

Puck于2017年初启动研发，2017年底首次上线，2019年百度外部开源，继续打磨至今，目前广泛应用于百度外部包含搜寻、举荐等三十余条产品线，撑持万亿级索引数据和海量检索申请。

△ANN检索在业务利用中的地位

Puck 开源后， 激励开发者之间的单干和共享，同时反对大家进行常识的分享和流传，打造沉闷而宽泛的生态，促成我的项目的高速、可继续倒退，从而推动技术的翻新。

Puck遵循 Apache 2.0 开源协定，尊重和爱护原作者的创作权，凋谢应用包含商业化及二次开源。

心愿大家将好的应用教训反馈给咱们，如有问题能够退出【QQ群:913964818】随时征询。

同时，欢送大家成为社区贡献者，积极参与开源奉献，解决本身诉求、晋升个人成长的同时失去正向激励。

在你因为参加开源而失去回报的时候，你也在影响着开源畛域的倒退，促成开源畛域向更加广大的方向奔涌而去。

BigANN较量详情：

https://big-ann-benchmarks.com/neurips21.html

BigANN比赛结果：

https://github.com/harsha-simhadri/big-ann-benchmarks/blob/main/neurips21/t1_t2/README.md#results-for-t1

Puck开源地址：

https://github.com/baidu/puck

——END——

举荐浏览

存储计划作为产品——Midgard摸索

百度垂类离线计算零碎倒退历程

度加剪辑App的MMKV利用优化实际

百度工程师浅析解码策略

百度工程师浅析强化学