• Learning To Rank (LTR): Natives Plugin zur ML-basierten Relevanzoptimierung mit XGBoost- und RankLib-Modellen, das Klick- und Conversion-Signale in das Ranking einbezieht.
• Security-Plugin: Erweiterte Sicherheitsfunktionen (RBAC, Field- und Document-Level-Security, Verschlüsselung, Audit-Logging) sind in der kostenlosen Distribution enthalten. Im Elastic Stack liegen vergleichbare Funktionen hinter kostenpflichtigen Tarifen.
• SQL-/PPL-Abfragen: Abfrage von Daten mit vertrauter SQL- oder Piped-Processing-Language-Syntax, nützlich für Analytics- und Log-Workflows.
• Neural & Hybrid Search: Integrierte Unterstützung für ML-Modelle, um semantische Such-Pipelines direkt im Cluster auszuführen, mit RRF und Score-Normalisierung als integrierte Pipeline-Prozessoren. Die Vektorsuche läuft über Lucene HNSW, FAISS oder nmslib und unterstützt Vektoren mit bis zu 16.000 Dimensionen.
• Trace Analytics & Observability: Starke Observability-Funktionen für verteiltes Application-Tracing, Dashboards und Time-Series-Data.

OpenSearch ist der Open-Source-Herausforderer und positioniert sich als vollständig quelloffene Alternative zu Elasticsearch. Es hat sich rasant verbreitet und ist eine der am schnellsten wachsenden Suchtechnologien überhaupt. Elastic liegt bei brandneuen Funktionen und beim ausgereiftesten hybriden Entwicklererlebnis meist noch vorn, doch für alle, die stark auf AWS setzen, ist OpenSearch die naheliegende Wahl.
Es ist längst nicht mehr nur ein AWS-Thema: Andere Anbieter stellen OpenSearch als Managed Service auf verschiedenen Cloud-Plattformen bereit, und es lässt sich ohne Abhängigkeit von einem einzelnen Anbieter auch on-premise selbst hosten. Die Governance liegt inzwischen bei der herstellerneutralen OpenSearch Software Foundation statt bei einem einzelnen Unternehmen. Das zeigt, dass sich OpenSearch längst von einem bloßen Elasticsearch-Derivat gelöst hat und sich eigenständig weiterentwickelt.