4D AI: Ordinamento dei risultati delle query in base alla similarità vettoriale
Nel post Ricerca semantica: interrogazione per similarità vettoriale, abbiamo introdotto come interrogare le entità utilizzando la similarità vettoriale, un modo efficace per trovare i record più rilevanti in base al significato piuttosto che ai valori esatti.
4D 21 R2 offre un nuovo modo di ordinare i risultati delle query utilizzando i campi 4D.Vector. Non solo è possibile filtrare le entità in base alla similarità, ma anche ordinare i risultati della query utilizzando la funzione .query() in modo che le entità più rilevanti e semanticamente più vicine appaiano per prime. Che si tratti di creare un’esperienza di ricerca intelligente, un motore di raccomandazione o un assistente basato sull’intelligenza artificiale, questa nuova funzionalità garantisce che i risultati siano ordinati in base alla rilevanza, fornendo risultati più accurati e intuitivi.
Dare AI a un’applicazione 4D vecchia di 30 anni
In un paio d’anni, l’intelligenza artificiale è passata da una tendenza emergente a una componente essenziale del software moderno. ChatGPT, Grok, Gemini e altri assistenti AI svolgono ormai un ruolo fondamentale nella vita quotidiana di tutti, sia a livello professionale che personale.
Ecco perché 4D 21 introduce 4D.Vectors e 4D AI Kit: per dare agli sviluppatori 4D strumenti semplici ed efficaci per aggiungere funzionalità AI alle loro applicazioni.
Abbiamo già condiviso molti esempi, tutorial e webinar sull’IA, ma di recente mi sono chiesto: cosa servirebbe per portare l’IA in un’applicazione 4D di 30 anni fa?
Potreste semplicemente chiedere a un’applicazione di questo tipo i vostri 10 migliori clienti e ottenere immediatamente un bel grafico?
Ebbene, indovinate un po’? È risultato così semplice da meritare un post tutto suo.
Ricerca semantica: interrogazione per similarità vettoriale
Vista la crescente importanza della ricerca vettoriale nelle applicazioni di intelligenza artificiale, come la ricerca semantica, i motori di raccomandazione e l’elaborazione del linguaggio naturale, 4D introduce il supporto nativo per le query vettoriali nella funzione query(). Questo miglioramento porta i confronti di similarità vettoriale direttamente nel linguaggio di DataClass.query() e EntitySelection.query().
Trovare il punto giusto nel documento 4D Write Pro con l’AI
Nelle applicazioni 4D, i documenti di grandi dimensioni sono comuni: relazioni finanziarie, linee guida interne, manuali tecnici… La ricerca di una parola chiave esatta spesso non è sufficiente. Scorrere rapporti di 30 pagine per trovare un paragrafo non solo richiede molto tempo, ma è anche soggetto a errori. È qui che l’intelligenza artificiale può aiutare.
L’approccio semantico basato sui vettori, introdotto in 4D 20 R10, consente già di trovare un documento 4D Write Pro pertinente anche quando vengono utilizzate parole diverse (ad esempio, “inserire immagine” rispetto a “aggiungere immagine”).
Ma cosa succede quando un documento si estende su più pagine e copre vari argomenti? Anche se l’intero testo può essere convertito in un unico vettore, spesso i risultati sono migliori se si lavora su una scala più fine. È questa l’idea alla base del chunking: dividere un documento in segmenti coerenti, ciascuno rappresentato da un proprio vettore.
È proprio questo che ci permette di andare oltre: recuperare non solo il documento giusto, ma anche il passaggio esatto che corrisponde alla ricerca.
Ricerca per significato, non per metadati: Filtraggio semantico di immagini con 4D.Vector
I vostri utenti non pensano in nomi di file o gerarchie di cartelle. Pensano per idee.
- “Un robot dipinto ad acquerello”.
- “Una spiaggia assolata piena di colori”.
- “Qualcosa che assomiglia a Monna Lisa… ma dal futuro”.
Non importa se l’idea proviene da un’immagine, da un ordine di un cliente, da un’e-mail o da un documento 4D Write Pro, la sfida è la stessa: come si fa a fornire risultati che corrispondano all’intento, non solo alle parole chiave?
Con 4D.Vector e 4D AI Kit, la vostra applicazione può finalmente dare un senso al significato. In questo post, lo illustreremo con la ricerca semantica della somiglianza delle immagini. Ecco la chiave: non stiamo lavorando con immagini grezze, ma con le loro descrizioni. Lo stesso approccio funziona per qualsiasi tipo di dati testuali presenti nelle applicazioni.
L’intelligenza artificiale porta la ricerca magica nei documenti di 4D Write Pro
In molte applicazioni aziendali 4D, i documenti sono tutto: note tecniche, relazioni, manuali, guide interne. Ma quando gli utenti non ricordano l’esatta formulazione, trovare quello giusto diventa lento, frustrante o, peggio, impossibile.
Con 4D 20 R10, la ricerca semantica alimentata dai vettori AI cambia le cose. Anziché abbinare le parole chiave, si abbina il significato. Gli utenti ottengono il documento giusto, anche se cercano con parole diverse o in una lingua diversa. È un modo più intelligente di far emergere le conoscenze nascoste nei documenti, veloce, accurato e pensato per il modo in cui le persone effettuano le ricerche.
Consideriamo un esempio concreto: un utente vuole trovare una nota tecnica che spiega come inserire un’immagine in un documento 4D Write Pro. Tuttavia, potrebbe non ricordare la frase esatta utilizzata nel documento.
4D AI: scoprite la potenza dei vettori 4D
Quando si lavora con le applicazioni moderne, soprattutto quelle che riguardano l’intelligenza artificiale, l’elaborazione del linguaggio naturale o i dati spaziali, la matematica vettoriale è fondamentale. Ecco perché 4D 20 R10 introduce un nuovo oggetto: 4D.Vectorprogettato per aiutare gli sviluppatori a memorizzare e confrontare i vettori di dati con poche righe di codice.
Ad esempio, se state costruendo una funzione per classificare le immagini in base alla loro corrispondenza con una richiesta di testo, è sufficiente generare vettori, confrontarli utilizzando la similarità del coseno e ordinare i risultati dal più rilevante al meno rilevante, il tutto direttamente in 4D.
Perché lo stack di ricerca sembra rotto e come Vector Search lo risolve
Fate una domanda. Il sistema fornisce le corrispondenze delle parole chiave: quasi, ma non la risposta. La vera risposta? È sepolta in un documento, formulata in modo diverso o nascosta in un formato che la ricerca non riesce a comprendere.
Ora immaginate una ricerca che capisca cosa intendete, anche se non lo dite perfettamente. Che faccia emergere il significato, non solo le parole corrispondenti.
Questo è il cambiamento che esploriamo in questo blog post: cosa non funziona oggi, cosa lo sostituisce e perché la ricerca vettoriale sta diventando il nuovo standard per i team che hanno bisogno di chiarezza su scala.
Contattateci
Avete domande, suggerimenti o volete semplicemente entrare in contatto con i blogger di 4D? Lasciateci un messaggio!
* La vostra privacy è molto importante per noi. Fare clic qui per visualizzare il nostro Politica