Рост объемов и сложности данных требует эффективных решений для хранения и поиска многомерных векторных представлений. Векторные базы данных становятся ключевым компонентом современных систем искусственного интеллекта, однако методы объективной оценки их возможностей в различных прикладных сценариях остаются малоизученными. Цель работы заключается в проведении сравнительного исследования производительности популярных векторных баз данных (Qdrant, Milvus, Weaviate) с использованием стандартизированного тестового окружения на основе контейнеризации Docker и оценка влияния различных конфигураций на их эффективность. Установлено, что производительность векторных баз данных существенно зависит от используемых параметров индексирования и поиска HNSW (M, efConstruction, ef). Продемонстрировано, как изменение конфигураций влияет на производительность систем. Определены значимые различия между системами по ключевым метрикам (скорости обработки запросов (RPS), точности поиска и времени загрузки данных), что позволяет выбрать наиболее эффективное решение для конкретных задач и объемов данных. Результаты исследования могут быть использованы разработчиками систем хранения данных, алгоритмов машинного обучения, а также исследователями, стремящимися повысить производительность приложений в таких областях, как компьютерное зрение, обработка естественного языка и рекомендательные системы. Предложенная методология тестирования будет полезна при оценке производительности новых решений в области векторного поиска.

< ... >