Pesquisa por significado, não por metadados: Filtragem semântica de imagens com 4D.Vetor

Os seus utilizadores não pensam em nomes de ficheiros ou hierarquias de pastas. Eles pensam em ideias.

• “Um robô pintado em aguarela.”
• “Uma praia solarenga cheia de cor.”
• “Algo que parece a Mona Lisa… mas do futuro.”

Não importa se essa ideia vem de uma imagem, um pedido de um cliente, um email, ou um documento 4D Write Pro – o desafio é o mesmo: como entregar resultados que correspondem à intenção, não apenas palavras-chave?

Com 4D.Vetor e 4D AI Kit, sua aplicação pode finalmente dar sentido ao significado. Nesse post, vamos ilustrar isso com busca semântica de similaridade de imagem. E aqui está a chave: não estamos realmente trabalhando com imagens brutas – estamos trabalhando com suas descrições. A mesma abordagem funciona para qualquer tipo de dados de texto na sua aplicação.

DEMO_AI_Vector_ImageSearch

Porque é que os vectores + IA mudam tudo

A pesquisa tradicional tem uma função: corresponder a termos exactos. Mas os seus utilizadores nem sempre sabem qual o termo exato a utilizar. Eles descrevem coisas. Expressam intenções. Eles pensam em uma linguagem humana confusa e bonita.

Para que a pesquisa funcione da forma como os seus utilizadores pensam, é necessário mais do que a correspondência de cadeias de caracteres. É preciso compreensão – e é aí que entram os embeddings vetoriais.

Então, o que é exatamente uma incorporação?

Uma incorporação é a forma de transformar uma entrada confusa e não estruturada – uma frase, um prompt ou uma imagem – num vetor estruturado de números. Não é apenas uma lista de tokens ou palavras-chave. É um instantâneo matemático do significado.

Quando se envia a frase “um robô pintado a aguarela” para o modelo text-embedding-ada-002 da OpenAI, este devolve algumas centenas de valores de vírgula flutuante. Cada um deles capta algo: o tópico, o estado de espírito, o estilo, as relações semânticas incorporadas nessa frase. Frases semelhantes produzem vectores semelhantes. Frases diferentes? Ficam mais distantes.

Pense nisso como colocar o significado num mapa. Quanto mais próximas duas frases estiverem nesse espaço de dimensões elevadas, mais parecidas são, independentemente da redação. Essa é a base para a criação de pesquisas, recomendações, agrupamentos e categorização com base no significado.

Um caso de utilização real: Pesquisa de imagens por significado

Na nossa página de demonstração, pode permitir que os utilizadores pesquisem semanticamente. Eles digitam um prompt ou escolhem um de uma lista, e seu aplicativo retorna imagens classificadas de acordo com a correspondência com a ideia.

A interface de utilizador é minimalista de propósito:

• Um campo de texto para mensagens personalizadas
• Um menu pendente de sugestões predefinidas

• Uma matriz que apresenta imagens, ordenadas por semelhança com o pedido

Aqui está a chave: não estamos a vetorizar as imagens em bruto. Em vez disso, cada imagem é analisada peloOpenAIVision do AIKit , que gera uma legenda e uma descrição em linguagem natural. Essa descrição é o que é incorporado em um 4D.Vetor e armazenado.

Dessa forma, tudo é comparado no nível de significado, não de pixels.

Nota: Este exemplo usa 4D Qodly Pro, mas a mesma lógica se aplica perfeitamente a formulários 4D padrão também. De facto, todo o código corre dentro de métodos e funções 4D. A única diferença é como escolhe mostrar os resultados – num formulário 4D clássico ou numa página Qodly.

Como gerar o vetor

Quando alguém digita um prompt e clica em“Use Custom Prompt“, 4D executa a função calculate() da classe VectorManagement:

exposed shared Function calculate($prompt : Text) : cs.PicturesSelection

Isso começa pegando sua chave API OpenAI da memória (Storage.OpenAI.key) – que deve ser submetida do primeiro campo de entrada na aba Info. Se você pulou isso e ainda clicou em Usar prompt personalizado, um modal aparecerá pedindo que você insira sua chave antes de continuar:

If (Storage.OpenAI.key#"")
	$apiKey:=Storage.OpenAI.key
Else 
	$apiModal:=Web Form.setApiKeyModal
	$apiModal.show()
End if 

Nota: Este exemplo utiliza OpenAI para operações de IA, mas pode utilizar qualquer fornecedor compatível com OpenAI – mesmo um modelo local com Ollama. Estamos a usar o OpenAI aqui porque é simples de configurar e não requer instalação local. Se quiser seguir o exemplo, solicite uma chave OpenAI aqui.

Em seguida, você chama a função generateVector() dentro da classe AIManagement:

var $vector := cs.AIManagement.new($apiKey).generateVector($prompt)

O que está a acontecer aqui?

Está a utilizar o modelo text-embedding-ada-002 do OpenAI – optimizado para textos curtos – para transformar o prompt num vetor de alta dimensão. Usando o método .create() para enviar o prompt e o modelo text-embedding-ada-002 como uma solicitação para o OpenAI e retorna uma estrutura JSON contendo o vetor. Esse vetor é então envolvido num objeto 4D.Vector, dando-nos algo que podemos comparar e ordenar nativamente em 4D.

property clientAI : Object

Class constructor($openAIKey : Text)
  This.clientAI := cs.AIKit.OpenAI.new($openAIKey)

Function generateVector($text : Text) : 4D.Vector
  var $model := "text-embedding-ada-002"
  var $result := This.clientAI.embeddings.create($text; $model)
  return $result.vector

Nesse ponto, você traduziu o prompt do usuário em um formato estruturado que 4D pode usar para comparação semântica.

Do prompt aos resultados ordenados

Com seu vetor em mãos, agora você o compara com todos os vetores de descrição de imagem armazenados no banco de dados:

var $pictureList := This._calculateVectors($vector)

E dentro de _calculateVectors, aqui está o que acontece:

For each ($picture; $pictureList)
  $picture.cosineSimilarity := $vector.cosineSimilarity($picture.vector)
  $picture.dotSimilarity := $vector.dotSimilarity($picture.vector)
  $picture.euclideanDistance := $vector.euclideanDistance($picture.vector)
  $picture.save()
End for each 

Cada medida de similaridade fornece uma lente diferente:

• A semelhança de cosseno mede a proximidade entre dois vectores que apontam na mesma direção. Ideal para classificar a similaridade semântica.
• O Produto de pontos considera tanto a direção como a magnitude. É útil quando se pretende ter em conta o grau de alinhamento “forte” de dois vectores.
• Distância euclidiana é a distância bruta entre dois pontos no espaço. Quanto mais pequena for a distância, mais semelhantes são.

Se é novo na matemática vetorial em 4D, o primeiro post de blog nesta série cobre como criar e comparar vectores usando estes métodos e quando usar cada um.

Uma vez que todas as pontuações de similaridade são calculadas e armazenadas nas entidades de imagem, ordena por similaridade de cosseno e retorna os resultados:

return $pictureList.orderBy("cosineSimilarity desc")

Isto significa que as imagens concetualmente mais relevantes aparecem primeiro, independentemente do seu nome de ficheiro, descrição ou metadados.

E se o utilizador escolher uma mensagem predefinida?

Se alguém escolher um prompt do menu suspenso e clicar em Usar prompt selecionado, você pula totalmente a etapa de incorporação:

exposed shared Function calculateWithSelectedPrompt($prompt : cs.PromptsEntity) : cs.PicturesSelection
  var $pictureList:=This._calculateVectors($prompt.Vector)
  return $pictureList.orderBy("cosineSimilarity desc")

Não é necessária nenhuma chamada extra do OpenAI – o vetor da mensagem já está guardado na base de dados. Basta reutilizar o 4D.Vector armazenado na classe de dados Prompts quando o prompt foi criado pela primeira vez.

Tal como as descrições de imagens, cada prompt é vectorizado uma vez e depois armazenado para reutilização. Isso dá-lhe:

• Nenhuma chamada de API → Resultados instantâneos, sem atraso de rede

• Sem custo de token → Mais acessível, especialmente em escala

• Funciona offline → Tudo é executado localmente, sem dependência de um serviço externo

DO CARREGAMENTO DE IMAGENS À DESCRIÇÃO VECTORIZADA

Quando alguém carrega uma imagem, não incorpora os pixéis. Em vez disso, descreve-se a imagem com o OpenAI Vision e incorpora-se essa descrição.

Na função vectorizeImageDescription, são definidos dois pedidos: um para uma legenda curta e outro para uma descrição mais completa. Ambos são criados para retornar frases únicas e fluentes, optimizadas para incorporação:

// --- Prompts (single, fluent, embedding-friendly) ---
$captionPrompt:="You are a precise visual captioner. "+\
	"Write one short, clear English sentence (12–20 words) that summarizes the main subject of the image. "+\
	"Keep it straightforward and descriptive, not poetic. Output only the sentence."

$descriptionPrompt:="You are a detailed scene describer. "+\
	"Write a longer English paragraph (80–150 words) that expands on the caption. "+\
	"Include context, secondary elements (icons, arrows, checklists, text, logos), and atmosphere so nothing important is missed. "+\
	"Avoid repeating the caption verbatim. Output only the description."

// --- Get caption ---
$caption:=$client.chat.vision.create($imageData).prompt($captionPrompt).choice.message.text
	
// --- Get description ---
$description:=$client.chat.vision.create($imageData).prompt($descriptionPrompt).choice.message.text

// --- Save entity ---
$pictureEntity:=ds.Pictures.new()
$pictureEntity.picture:=$imageToUpload.picture
$pictureEntity.prompt:=$caption
$pictureEntity.description:=$description
$pictureEntity.vector:=cs.AIManagement.new($apiKey).generateVector($description+$caption)
$status:=$pictureEntity.save()

O que vê na interface do utilizador

Uma vez efectuada a comparação, a sua matriz é actualizada instantaneamente. As imagens são classificadas com base na pontuação de semelhança.

• Procura-se por: “uma pintura a aguarela de um robô” – e vê imagens com texturas suaves e formas robóticas:

• Muda para: “uma cena de praia vibrante e solarenga com elementos coloridos” – e obtém um conjunto de resultados totalmente diferente, mas igualmente relevante:

Quer seja digitado ou carregado, está sempre a comparar ideias – não pixéis, nem nomes de ficheiros.

O que obtém como programador

Usar vectores com IA desbloqueia valor real e imediato nas suas aplicações 4D:

• Pesquisa mais inteligente: Permite que os utilizadores pesquisem por significado, não por palavras-chave. Sem etiquetas, sem filtros – apenas resultados relevantes.

• Lógica nativa: Tudo roda dentro de 4D. Sem necessidade de motores de busca externos ou ferramentas de terceiros.

• Padrão reutilizável: Funciona para imagens, documentos, produtos, bilhetes – qualquer coisa que queira comparar por conceito.

• Baixa configuração, alto impacto: Algumas linhas de código lhe dão classificação, filtragem e recomendações alimentadas por IA.

• Mais barato e mais rápido: Incorpore uma vez, armazene o vetor e reutilize para sempre. Sem chamadas repetidas à API ou custos de token.

• Base pronta para IA: Não está apenas a adicionar pesquisa – está a criar as bases para chatbots, recomendações, e fluxos de trabalho mais inteligentes.

Com 4D.Vetor e 4D AI Kit, não precisa construir inteligência – você a conecta.

Considerações Finais

Não está a colocar IA na sua aplicação – está a construir inteligência na sua lógica central.

Com 4D.Vector e 4D AI Kit, você dá à sua aplicação a habilidade de entender a intenção, não apenas a entrada. Para trazer à tona o significado, não apenas correspondências.

As ferramentas estão prontas. O código é leve. O valor é real. Tudo o que precisa agora… é de um prompt.