4D AI：ベクトル類似度によるクエリ結果のソート
セマンティック検索：ベクトル類似性によるクエリの投稿では、ベクトル類似性を使用したエンティティのクエリ方法を紹介しました。これは、正確な値ではなく意味に基づいて最も関連性の高いレコードを見つける強力な方法です。
4D 21 R2では、4D.Vectorフィールドを用いた検索結果の並べ替え機能が新たに追加されました。 類似性によるエンティティのフィルタリングに加え、query()関数を使用してクエリ結果をソートすることで 、 最も関連性が高く意味的に近いエンティティを最上位に表示できます 。インテリジェントな検索体験、レコメンデーションエンジン、AI駆動型アシスタントのいずれを構築する場合でも、この新機能により結果が関連性順に並べ替えられ、より正確でユーザーフレンドリーな結果を提供します。
30年前の4DアプリケーションにAIを与える
わずか2、3年の間に、人工知能は新たなトレンドから現代のソフトウェアに不可欠なコンポーネントへと変貌を遂げた。ChatGPT、Grok、Gemini、その他のAIアシスタントは、今や仕事でもプライベートでも、全ての人の日常生活で重要な役割を果たしています。
4D 21が4D.Vectorsと 4D AI Kitを紹介するのはそのためです：4D開発者がアプリケーションにAIを搭載した機能を追加するためのシンプルで効果的なツールを提供するためです。
私たちは、すでにAIに関する多くの例、チュートリアル、ウェビナーを共有してきました。しかし、最近私は考えました：30年前の4DアプリケーションにAIを導入するには何が必要だろうか？
そのようなアプリケーションに上位10人の顧客を尋ねれば、即座に素敵なグラフが返ってくるだろうか？
さて、どうだろう？それは、ブログの記事に値するほど簡単なことだった。
セマンティック検索: ベクトル類似度によるクエリ
セマンティック検索、レコメンデーションエンジン、自然言語処理などの AIアプリケーションにおいて、ベクトルベースの検索の重要性が高まる中、4D は query() 関数にベクトルクエリのネイティブサポートを導入しました。この強化により、ベクトル類似度の比較が DataClass.query() および EntitySelection.query() に直接取り込まれます。
AI で 4D Write Pro文書の「適切な場所」を見つける
4Dアプリケーションでは、財務報告書、社内ガイドライン、技術マニュアルなど、大規模な文書が一般的です。完全一致のキーワードで検索するだけでは不十分な場合が多く、特定の段落を見つけるために 30ページのレポートをスクロールするのは、時間がかかるだけでなく、間違いも起こりがちです。ここで AI が役立ちます。
4D 20 R10 で導入されたベクトルに基づいたセマンティックなアプローチは、異なる表現が使われている場合でも (たとえば、”画像を挿入する” と “写真を追加する”)、関連性の高い 4D Write Pro文書を見つけることを既に可能にしています。
しかし、文書が複数ページにわたり、さまざまなサブトピックをカバーしている場合はどうでしょうか？ テキスト全体を 1つのベクトルに変換できるとしても、より細かいスケールで作業する方が結果が良くなることは、よくあります。これがチャンク化 (Chunking) の背後にある考え方です。文書をセグメントに分割し、それぞれを独自のベクトルで表現するのです。
これにより、さらに踏み込んだことが可能になります。適切な文書だけでなく、検索に一致する段落を取得できるのです。
メタデータではなく意味による検索：4D.Vectorによるセマンティック画像フィルタリング
ユーザーはファイル名やフォルダ階層で物事を考えません。アイデアで考えるのです。
- “水彩画で描かれたロボット”
- “色でいっぱいの晴れたビーチ”
- “モナリザのような何か…でも未来から来たもの”
そのアイデアが画像から来るのか、顧客からの注文から来るのか、Eメールから来るのか、4D Write Proのドキュメントから来るのかは関係ありません。
4D.Vectorと 4D AI Kitを使えば、アプリケーションは最終的に意味を理解することができます。この記事では、セマンティック画像類似検索で説明します。ここで重要なのは、私たちは生画像を扱っているのではなく、その説明文を扱っているということです。全く同じアプローチが、アプリケーション内のあらゆる種類のテキストデータにも有効です。
4D Write Pro: AI による文書検索
多くの 4Dビジネスアプリケーションでは、ドキュメントが非常に重要です。テクニカルノート・レポート・マニュアル・社内用のガイドなどが用意されますが、正確な文言をユーザーが覚えていないと文書探しは時間がかかったり、イライラの原因になったり、最悪の場合は文書を見つけられなかったりします。
4D 20 R10 では、AIベクトルによるセマンティック検索がそれを変えます。キーワードを比較するのではなく、意味を比較させるのです。異なる単語や異なる言語で検索しても、ユーザーは正しい文書を見つけることができます。これは、文書に格納された知識によりスマートにアクセスする方法であり、高速かつ正確で、人が実際に検索するやり方に合っています。
具体的な例を考えてみましょう。あるユーザーが、4D Write Pro のドキュメントに画像を挿入する方法を説明したテクニカルノートを探したいとします。しかし、その文書で使われている正確なフレーズを思い出せないかもしれません。
4D AI: 4D Vector のパワー
人工知能・自然言語処理・空間データを扱うような最新のアプリケーションにおいては、ベクトル計算が鍵となります。そのため、4D 20 R10 では 4D.Vector という新しいオブジェクトを導入しました。これは、デベロッパーが数行のコードでデータのベクトルを保存し、比較できるように設計されています。
たとえば、テキストプロンプトとの一致度に基づいて画像をランク付けする機能を構築する場合、ベクトルを生成し、コサイン類似度を使用してそれらを比較し、最も関連性の高いものから低いものへと結果を並べ替えるだけです。
検索スタックが壊れているのでは？ – その問題、ベクトル検索が解決します！
質問をしても、システムが返すのはキーワードの一致だけで、求めている答えではない——。欲しかった答えは言い回しが違っていてドキュメントに埋もれたままであったり、検索システムが理解できない形式に隠れていたりするものです。
では、完璧な言葉で表現しなくても、意図を理解してくれる検索を想像してみてください。それは、単なるキーワードの一致ではなく、意味を汲み取ってくれる検索です。
このブログ記事で探るのは、まさにこの変化です。現在の検索の何が不十分で、何がそれを置き換えようとしているのか。そして、明確な情報を求めるチームにとってなぜベクトル検索が新たな標準になりつつあるのかについて解説します。