4D AI: Třídění výsledků dotazů podle podobnosti vektorů
V příspěvku Sémantické vyhledávání: dotazování podle vektorové podobnosti jsme představili, jak dotazovat entity pomocí vektorové podobnosti, což je účinný způsob, jak najít nejrelevantnější záznamy na základě významu spíše než přesných hodnot.
4D 21 R2 přináší nový způsob třídění výsledků dotazů pomocí polí 4D.Vector. Entity můžete nejen filtrovat podle podobnosti, ale také třídit výsledky dotazu pomocí funkce .query(), aby se nejrelevantnější a sémanticky nejbližší entity zobrazovaly jako první. Ať už vytváříte inteligentní vyhledávání, doporučovací engine nebo asistenta řízeného umělou inteligencí, tato nová funkce zajistí, že výsledky budou seřazeny podle relevance, a poskytne tak přesnější a uživatelsky přívětivější výsledky.
Sémantické vyhledávání: dotazování podle podobnosti vektorů
S rostoucím významem vektorového vyhledávání v aplikacích umělé inteligence, jako je sémantické vyhledávání, doporučovací stroje a zpracování přirozeného jazyka, zavádí 4D nativní podporu vektorových dotazů ve funkci query(). Toto vylepšení přináší porovnávání vektorové podobnosti přímo do jazyka DataClass.query() a EntitySelection.query().
Vyhledání správného místa v dokumentu 4D Write Pro pomocí AI
Ve 4D aplikacích jsou běžné rozsáhlé dokumenty: finanční zprávy, interní směrnice, technické příručky… Vyhledávání přesného klíčového slova často nestačí. Procházení 30stránkových zpráv kvůli nalezení jednoho odstavce je nejen časově náročné, ale také náchylné k chybám. Zde může pomoci umělá inteligence.
Sémantický přístup založený na vektorech, který byl představen v aplikaci 4D 20 R10, již umožňuje najít relevantní dokument aplikace 4D Write Pro, i když jsou použity různé formulace (například „vložit obrázek“ vs. „přidat obrázek“).
Co se však stane, když dokument zahrnuje více stránek a pokrývá různá dílčí témata? I když lze celý text převést na jeden vektor, výsledky jsou často lepší, když pracujeme v jemnějším měřítku. To je myšlenka chunkingu: rozdělení dokumentu na souvislé segmenty, z nichž každý je reprezentován vlastním vektorem.
Právě to nám umožňuje jít dál: získat nejen správný dokument, ale také přesnou pasáž, která odpovídá hledanému textu.
Vyhledávání podle významu, ne podle metadat: Sémantické filtrování obrázků pomocí 4D.Vector
Vaši uživatelé nepřemýšlejí v názvech souborů nebo hierarchiích složek. Myslí v myšlenkách.
- „Robot namalovaný akvarelem.“
- „Slunečná pláž plná barev.“
- „Něco, co vypadá jako Mona Lisa… ale z budoucnosti.“
Nezáleží na tom, zda tato myšlenka pochází z obrázku, objednávky zákazníka, e-mailu nebo dokumentu 4D Write Pro – výzva je stejná: jak dodat výsledky, které odpovídají záměru, nikoliv jen klíčovým slovům?
S aplikacemi 4D.Vector a 4D AI Kit může vaše aplikace konečně dávat smysl. V tomto příspěvku si to ukážeme na příkladu sémantického vyhledávání podobnosti obrázků. A zde je klíč: ve skutečnosti vůbec nepracujeme se surovými obrázky – pracujeme s jejich popisy. Úplně stejný přístup funguje pro jakýkoli druh textových dat ve vaší aplikaci.
AI přináší do dokumentů 4D Write Pro kouzelné vyhledávání
V mnoha podnikových aplikacích 4D jsou dokumenty vším – technickými poznámkami, zprávami, manuály, interními příručkami. Když si však uživatelé nepamatují přesné znění, stává se hledání toho správného pomalé, frustrující, nebo ještě hůře – nemožné.
Ve verzi 4D 20 R10 to sémantické vyhledávání poháněné vektory umělé inteligence mění. Namísto hledání klíčových slov hledáte význam. Uživatelé dostanou správný dokument, i když hledají v jiných slovech nebo v jiném jazyce. Je to chytřejší způsob, jak odhalit znalosti skryté v dokumentech – rychlý, přesný a vytvořený pro to, jak lidé skutečně vyhledávají.
Uvažujme konkrétní příklad: uživatel chce vyhledat technickou poznámku, která vysvětluje, jak vložit obrázek do dokumentu aplikace 4D Write Pro. Nemusí si však vzpomenout na přesnou frázi použitou v dokumentu.
4D AI: Objevte sílu 4D vektorů
Při práci s moderními aplikacemi, zejména s umělou inteligencí, zpracováním přirozeného jazyka nebo prostorovými daty, je vektorová matematika klíčová. Proto 4D 20 R10 zavádí nový objekt: 4D.Vector, který vývojářům pomáhá ukládat a porovnávat vektory dat pomocí několika málo řádků kódu.
Pokud například vytváříte funkci pro hodnocení obrázků na základě toho, jak dobře odpovídají textové výzvě, stačí vygenerovat vektory, porovnat je pomocí kosinové podobnosti a seřadit výsledky od nejrelevantnějšího po nejméně relevantní, a to vše přímo ve 4D.
Proč je váš vyhledávací zásobník nefunkční – a jak to napraví Vector Search
Položíte otázku. Systém vám nabídne shodu klíčových slov – je to blízko, ale není to odpověď. Skutečný poznatek? Je schovaný v dokumentu, formulovaný jinak nebo ukrytý ve formátu, kterému vaše vyhledávání nerozumí.
A teď si představte vyhledávání, které pochopí, co máte na mysli – i když to neřeknete dokonale. Takové vyhledávání vynořuje význam, ne jen odpovídající slova.
To je posun, který zkoumáme v tomto příspěvku na blogu: co dnes selhává, co ho nahrazuje a proč se vektorové vyhledávání stává novým výchozím řešením pro týmy, které potřebují srozumitelnost ve velkém měřítku.
Kontaktujte nás
Máte dotaz, návrh nebo se chcete spojit s blogery 4D? Napište nám!
* Vaše soukromí je pro nás velmi důležité. Kliknutím sem si můžete prohlédnout naše Zásady