FAISS（Facebook AI Similarity Search）は、Metaによって開発されたオープンソースのライブラリであり、高密度ベクトルの効率的な類似性検索とクラスタリングを目的としています。RAMに収まらないほど大きなデータセットを処理するように設計されており、速度とメモリ使用量に最適化されたさまざまなアルゴリズムを提供します。このライブラリは、機械学習や人工知能アプリケーション、特にニューラルネットワークによって生成された埋め込みを扱うタスク（レコメンデーションシステム、情報検索、大規模言語モデルのパイプラインなど）で広く使用されています。
FAISSは、正確な検索（ブルートフォース）や、製品量子化、HNSW（階層的ナビゲーション可能な小世界）、転置ファイルインデックスなどの近似手法を含む、さまざまなインデックス構造のための統一インターフェースを提供します。CPUとGPUの両方のアクセラレーションをサポートしており、GPU実装は検索とクラスタリングの操作を大幅に高速化します。このライブラリはC++で書かれており、Pythonバインディングを備えているため、開発者や研究者の幅広いコミュニティが利用できます。
歴史と開発
FAISSは、2017年3月にMeta（当時はFacebook）の基礎AI研究（FAIR）チームによって最初にリリースされました。初期バージョンは、類似性検索のための高速でスケーラブルなソリューションを提供することに焦点を当てており、本番システムで何億ものベクトルを扱うという増大するニーズに対応しました。このライブラリはMITライセンスの下でオープンソース化され、学界と産業界の両方で広く採用されました。
長年にわたり、FAISSはMetaの研究者やエンジニア、そしてより広いコミュニティからの貢献によって進化してきました。主なマイルストーンには、2017年のGPUサポートの導入、2018年のHNSWインデックスの追加、量子化技術とメモリ効率の継続的な改善が含まれます。2024年現在、FAISSはベクトル検索のための最も人気のあるライブラリの1つであり、Machine learningエコシステムにおいて強い存在感を示しています。
コア機能
FAISSは、検索精度と速度の間でトレードオフを行うさまざまなインデックス構造を提供します。正確な検索インデックス（IndexFlatL2）はブルートフォース距離を計算し、完全な再現率を提供しますが、データセットサイズが大きくなるとスケーリングが悪くなります。より大きなデータセットには、近似手法が好まれます。転置ファイルインデックス（IVF）はベクトル空間をクラスタに分割し、検索空間を減らします。製品量子化（PQ）はベクトルをコンパクトなコードに圧縮し、メモリ効率の良いストレージとより高速な距離計算を可能にします。HNSWインデックスは多層グラフを構築し、高い再現率で迅速な近似最近傍検索を可能にします。
このライブラリには、転置インデックスの構築やその他のデータ分析タスクに使用されるk-meansなどのクラスタリングアルゴリズムも含まれています。FAISSはバッチ処理をサポートしており、複数のクエリを同時に処理できます。また、再現率や速度のベンチマークなど、インデックスパフォーマンスを評価するためのツールも提供しています。
GPUアクセラレーション
FAISSには、CUDAを活用してインデックス構築と検索の両方を加速する専用のGPU実装が含まれています。GPUバージョンは、フラット、IVF、PQを含むすべての主要なインデックスタイプをサポートしており、ハードウェアとデータセットによっては、CPUのみの実行と比較して10倍から100倍の高速化を達成できます。これにより、Large language modelシステムにおけるセマンティック検索など、低レイテンシが重要なリアルタイムアプリケーションに適しています。
GPUコードはメモリ効率を考慮して設計されており、メモリプーリングや非同期操作などの技術を使用してスループットを最大化します。FAISSはマルチGPU構成もサポートしており、複数のデバイスにわたる分散検索を可能にします。この機能は、Amazon Web ServicesやGoogle CloudなどのGPUインスタンスが容易に利用できるクラウド環境にFAISSを展開する場合に特に役立ちます。
アプリケーションとユースケース
FAISSは、類似性検索とレコメンデーションのための本番システムで広く使用されています。例えば、eコマースプラットフォームのセマンティック検索機能を強化し、製品埋め込みをユーザークエリ埋め込みと比較して関連アイテムを取得します。また、ソーシャルメディアプラットフォームで類似の画像や動画を見つけたり、バイオインフォマティクスで遺伝子発現プロファイルを比較したりするためにも使用されます。
Generative AIとArtificial intelligenceの文脈では、FAISSはNeural networkモデルからの埋め込みを保存および取得するためによく使用され、Large language modelアプリケーションにおける検索拡張生成（RAG）を可能にします。ドキュメント埋め込みをインデックス化することで、FAISSはモデルが大規模なコーパスから関連するコンテキストにアクセスできるようにし、生成された応答の精度と関連性を向上させます。この統合は、OpenAIやAnthropicなどの企業によって構築されたフレームワークや、オープンソースプロジェクトで一般的です。
統合とエコシステム
FAISSは、NumPyやPyTorchなどの人気のあるPythonライブラリとシームレスに統合され、多くのベクトルデータベースシステムのコアコンポーネントです。Milvus、Weaviate、Qdrantなどのいくつかの商用およびオープンソースプロジェクトが、FAISSを基盤となる検索エンジンとして使用しています。このライブラリには、コミュニティが保守するラッパーを通じて、JavaやGoなどの他の言語用のバインディングもあります。
FAISSコミュニティは、広範なドキュメント、チュートリアル、および問題追跡と機能リクエストを備えたGitHubリポジトリを維持しています。このライブラリは積極的に開発されており、パフォーマンスの改善と新機能を含む定期的なリリースがあります。2025年現在、FAISSは高次元ベクトルデータを扱うすべての人にとって基礎的なツールであり続けています。