4D-KI: Sortieren von Suchergebnissen nach Vektorsimilarität
Im Beitrag „Semantische Suche: Abfragen anhand von Vektorsimilarität“ haben wir vorgestellt, wie Entitäten anhand von Vektorsimilarität abgefragt werden können – eine leistungsstarke Methode, um die relevantesten Datensätze anhand ihrer Bedeutung statt anhand exakter Werte zu finden.
4D 21 R2 bietet eine neue Möglichkeit, Suchergebnisse mithilfe von 4D.Vector-Feldern zu sortieren. Sie können Entitäten nicht nur nach Ähnlichkeit filtern, sondern auch Ihre Abfrageergebnisse mit der Funktion „query()“ sortieren , sodass die relevantesten und semantisch am nächsten liegenden Entitäten zuerst angezeigt werden. Ganz gleich, ob Sie eine intelligente Suchfunktion, eine Empfehlungsmaschine oder einen KI-gesteuerten Assistenten entwickeln – diese neue Funktion sorgt dafür, dass Ihre Ergebnisse nach Relevanz sortiert werden und somit genauer und benutzerfreundlicher sind.
Geben Sie einer 30 Jahre alten 4D-Anwendung AI
In nur wenigen Jahren hat sich die künstliche Intelligenz von einem aufkommenden Trend zu einem wesentlichen Bestandteil moderner Software entwickelt. ChatGPT, Grok, Gemini und andere KI-Assistenten spielen heute eine wichtige Rolle im täglichen Leben, sowohl beruflich als auch privat.
Deshalb stellt 4D 21 die 4D.Vectors und das 4D AI Kit vor: 4D Entwickler erhalten damit einfache und effektive Werkzeuge, um ihre Anwendungen um KI-gestützte Funktionen zu erweitern.
Wir haben bereits viele Beispiele, Tutorials und Webinare zum Thema KI veröffentlicht, aber ich habe mich kürzlich gefragt: Was müsste man tun, um KI in eine 30 Jahre alte 4D Anwendung zu bringen?
Könnte man eine solche Anwendung einfach nach den 10 wichtigsten Kunden fragen und sofort ein schönes Diagramm zurückerhalten?
Nun, raten Sie mal? Es stellte sich heraus, dass es so einfach ist, dass es einen eigenen Blogbeitrag verdient.
Semantische Suche: Abfragen nach Vektorähnlichkeit
Mit der wachsenden Bedeutung der vektorbasierten Suche in KI-Anwendungen wie der semantischen Suche, Empfehlungsmaschinen und der Verarbeitung natürlicher Sprache führt 4D eine native Unterstützung für Vektorabfragen in der Funktion query() ein. Diese Erweiterung bringt Vektorähnlichkeitsvergleiche direkt in die Sprache von DataClass.query() und EntitySelection.query().
Finden Sie die richtige Stelle in Ihrem 4D Write Pro Dokument mit AI
In 4D-Anwendungen sind umfangreiche Dokumente an der Tagesordnung: Finanzberichte, interne Richtlinien, technische Handbücher… Die Suche nach einem exakten Schlüsselwort ist oft nicht ausreichend. Das Blättern durch 30-seitige Berichte, um einen Absatz zu finden, ist nicht nur zeitaufwändig, sondern auch fehleranfällig. An dieser Stelle kann KI helfen.
Der in 4D 20 R10 eingeführte semantische Ansatz, der auf Vektoren basiert, ermöglicht es bereits, ein relevantes 4D Write Pro Dokument zu finden, selbst wenn unterschiedliche Formulierungen verwendet werden (z. B. „Bild einfügen“ vs. „Bild hinzufügen“).
Aber was passiert, wenn ein Dokument über mehrere Seiten geht und verschiedene Unterthemen abdeckt? Auch wenn der gesamte Text in einen einzigen Vektor umgewandelt werden kann, sind die Ergebnisse oft besser, wenn wir in einem feineren Maßstab arbeiten. Das ist die Idee hinter dem Chunking: die Aufteilung eines Dokuments in kohärente Segmente, die jeweils durch einen eigenen Vektor dargestellt werden.
Das ist genau das, was es uns ermöglicht, weiter zu gehen: nicht nur das richtige Dokument zu finden, sondern auch die genaue Passage, die der Suche entspricht.
Suche nach Bedeutung, nicht nach Metadaten: Semantische Bildfilterung mit 4D.Vector
Ihre Benutzer denken nicht in Dateinamen oder Ordnerhierarchien. Sie denken in Ideen.
- „Ein mit Aquarellfarben gemalter Roboter“.
- „Ein sonniger Strand voller Farben.“
- „Etwas, das sich wie die Mona Lisa anfühlt… aber aus der Zukunft.“
Es spielt keine Rolle, ob diese Idee aus einem Bild, einem Kundenauftrag, einer E-Mail oder einem 4D Write Pro Dokument stammt – die Herausforderung ist dieselbe: Wie liefern Sie Ergebnisse, die der Absicht entsprechen, nicht nur den Schlüsselwörtern?
Mit 4D.Vector und dem 4D AI Kit kann Ihre Anwendung endlich einen Sinn für Bedeutung finden. In diesem Beitrag veranschaulichen wir dies anhand der semantischen Bildähnlichkeitssuche. Und hier ist der Schlüssel: Wir arbeiten nicht wirklich mit Rohbildern – wir arbeiten mit ihren Beschreibungen. Derselbe Ansatz funktioniert für jede Art von Textdaten in Ihrer Anwendung.
AI bringt die magische Suche in 4D Write Pro Dokumente
In vielen 4D-Unternehmensanwendungen sind Dokumente das A und O – technische Notizen, Berichte, Handbücher, interne Leitfäden. Aber wenn Benutzer sich nicht an den genauen Wortlaut erinnern können, wird die Suche nach dem richtigen Dokument langsam, frustrierend oder – schlimmer noch – unmöglich.
Mit 4D 20 R10 ändert sich das mit der semantischen Suche auf Basis von KI-Vektoren. Anstelle von Schlüsselwörtern wird die Bedeutung abgeglichen. Die Benutzer erhalten das richtige Dokument, auch wenn sie mit anderen Worten oder in einer anderen Sprache suchen. Dies ist ein intelligenter Weg, das in Ihren Dokumenten verborgene Wissen zu erschließen – schnell, genau und so, wie Menschen tatsächlich suchen.
Betrachten wir ein konkretes Beispiel: Ein Benutzer möchte einen technischen Hinweis finden, der erklärt, wie man ein Bild in ein 4D Write Pro Dokument einfügt. Er kann sich jedoch nicht an die genaue Formulierung in diesem Dokument erinnern.
4D AI: Entdecken Sie die Leistungsfähigkeit von 4D Vectors
Bei der Arbeit mit modernen Anwendungen, insbesondere solchen, die mit künstlicher Intelligenz, natürlicher Sprachverarbeitung oder räumlichen Daten zu tun haben, ist Vektormathematik der Schlüssel. Aus diesem Grund führt 4D 20 R10 ein neues Objekt ein: 4D.VectorDieses Objekt wurde entwickelt, um Entwicklern zu helfen, Datenvektoren mit nur ein paar Zeilen Code zu speichern und zu vergleichen.
Wenn Sie beispielsweise eine Funktion entwickeln, mit der Sie Bilder danach bewerten können, wie gut sie mit einer Textaufforderung übereinstimmen, erzeugen Sie einfach Vektoren, vergleichen Sie sie mit Hilfe der Kosinus-Ähnlichkeit und sortieren Sie Ihre Ergebnisse von der höchsten bis zur niedrigsten Relevanz, alles direkt in 4D.
Warum sich Ihr Suchstapel kaputt anfühlt – und wie Vector Search ihn repariert
Sie stellen eine Frage. Ihr System gibt Ihnen Schlüsselwort-Treffer – nahe dran, aber nicht die Antwort. Die wahre Erkenntnis? Sie ist in einem Dokument vergraben, anders formuliert oder in einem Format versteckt, das Ihre Suche nicht versteht.
Stellen Sie sich nun eine Suche vor, die versteht, was Sie meinen – auch wenn Sie es nicht perfekt ausdrücken. Die Bedeutung wird aufgedeckt, nicht nur die passenden Wörter.
Das ist der Wandel, den wir in diesem Blogbeitrag untersuchen: was heute versagt, was an seine Stelle tritt und warum die Vektorsuche zum neuen Standard für Teams wird, die in großem Umfang Klarheit benötigen.
Kontakt
Sie haben eine Frage, eine Anregung oder möchten einfach nur mit den 4D Bloggern in Kontakt treten? Schreiben Sie uns eine Nachricht!
* Ihre Privatsphäre ist uns sehr wichtig. Bitte klicken Sie hier, um unsere Politik