![]()
作者 | Puck项目组
导读
Puck是百度自研的开源ANN检索引擎。Puck开源项目包含两种百度自研的检索算法，以高召回、高准确、高吞吐为目标，适用于多种数据规模和场景。随着业务发展不断的优化和迭代，进行充分的技术开发和测试，确保了技术的可靠性和成熟度。该项目于2019年厂内开源，广泛应用于内部多条产品线，支撑万亿级数据和海量请求。在benchmark上显示，Puck在千万、亿、十亿等多个数据集上，性能优势明显。
全文2682字，预计阅读时间7分钟。
ANN全称近似最近邻检索（Approximate Nearest Neighbor），目标是从全量向量数据中寻找距离最近的TopK个向量，同时需要平衡检索效果和检索成本。自2012年AlexNet出现之后，深度学习在图像领域大放异彩，2017年 transformer的推出重构了NLP领域，基于语义的检索颠覆了传统检索领域，使得ANN技术广泛应用于搜索、推荐等多个场景，成为互联网的基础技术之一。
做为研究热点，无论学术界还是工业界，近些年都出现了许多ANN算法的创新研究和应用，包括基于分区和基于图形的索引策略、混合RAM和SSD存储以高效存储和处理超过RAM大小的大型数据集、使用加速器硬件、利用机器学习来降低原始矢量的维度，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。
我们很早即投入自研近似最近邻检索算法（ANN）的研究，2017年Puck完成首次上线，2019年底内部开源，目前已广泛应用于百度内部多条产品线，随着业务发展不断的优化和迭代，进行了充分的技术研发和测试，确保了技术的领先性和成熟度。
Puck开源项目包含两种百度自研的检索算法Puck&Tinker，以高召回、高准确、高吞吐为目标，在大中小数据集上都有优异表现。在benchmark的千万、亿、十亿等多个数据集上，Puck性能优势明显，均显著超过竞品。在2021年底Nerulps举办的全球首届向量检索大赛BIGANN比赛中，Puck参加的四个项目均获得第一。
02 Puck 优势有哪些？
1、易用性：提供简单易用的API接入，尽量少的暴露参数，大部分参数使用默认即可达到良好性能。
**2、扩展性：**采用完全自研的索引结构，支持多种功能扩展，适应多种场景，项目模块划分合理，便于改造优化，可方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性能优势明显，均显著超过竞品。
4、可靠性：经过多年在实际大规模场景下的验证打磨，广泛应用于百度内部包括搜索、推荐等三十余条产品线，支撑万亿级索引数据和海量检索请求。
03 Puck 性能优势
Puck 在开源前，曾参加过首届国际向量检索大赛BigANN。首届国际向量检索大赛BigANN是由人工智能领域全球顶级学术会议NeurIPS发起，由微软、facebook等公司协办的全球最高水平的赛事，旨在提升大规模ANN的研究创新和生产环境中的落地应用。
![图片]()
虽是首届大赛，但因NeurIPS的极高知名度和权威性，吸引了众多知名企业和顶尖大学的同台竞技。本届比赛已于2021年12月NeurlPS’21会议期间公布结果，Puck在参赛的四个数据集中均排名第一 。
除此之外，Puck持续地优化和迭代，以保持其在变化的业务环境中提供高效的检索性能。除了十亿数据集以外，我们构建了亿级&千万级benchmark，创建了更符合真实工业生产环境的benchmark机制和环境，Puck&Tinker在多个数据集上性能优势明显。
BIGANN-10M
![图片]()
![图片]()
△deep-10M和BIGANN-10M数据集上，召回率 VS QPS的性能图
更详细benchmark见：
https://github.com/baidu/puck/tree/main/ann-benchmarks
04 Puck 功能拓展
为了让 Puck 更加亲民，我们还做了多个功能的拓展，目前可以实现：
1、实时插入：支持无锁结构的实时插入，做到数据的实时更新。
2、条件查询：支持检索过程中的条件查询，从底层索引检索过程中就过滤掉不符合要求的结果，解决多路召回归并经常遇到的截断问题，更好满足组合检索的要求。
3、分布式建库：索引的构建过程支持分布式扩展，全量索引可以通过map-reduce一起建库，无需按分片build，大大加快和简化建库流程。
4、自适应参数：ANN方法检索参数众多，应用起来有不小门槛，不了解技术细节的用户并不容易找到最优参数，Puck提供参数自适应功能，在大部分情况下使用默认参数即可得到很好效果 。
05 Puck 在业务中的使用
在开源前，Puck在多个业务中已经进行了大规模的有效验证。
Puck于2017年初启动研发，2017年底首次上线，2019年百度内部开源，持续打磨至今，目前广泛应用于百度内部包括搜索、推荐等三十余条产品线，支撑万亿级索引数据和海量检索请求。
![图片]()
△ANN检索在业务应用中的位置
Puck 开源后， 鼓励开发者之间的合作和共享，同时支持大家进行知识的分享和传播，打造活跃而广泛的生态，促进项目的高速、可持续发展，从而推动技术的创新。
Puck遵循 Apache 2.0 开源协议，尊重和保护原作者的创作权，开放使用包括商业化及二次开源。
希望大家将好的使用经验反馈给我们，如有问题可以加入【QQ群:913964818】随时咨询。
同时，欢迎大家成为社区贡献者，积极参与开源贡献，解决自身诉求、提升个人成长的同时得到正向激励。
在你因为参与开源而得到回报的时候，你也在影响着开源领域的发展，促进开源领域向更加广阔的方向奔涌而去。
BigANN比赛详情：
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——
推荐阅读
存储方案作为产品——Midgard探索
百度垂类离线计算系统发展历程
度加剪辑App的MMKV应用优化实践
百度工程师浅析解码策略
百度工程师浅析强化学
