4D AI: Classificação dos resultados da consulta por similaridade vetorial
Na publicação Pesquisa semântica: consulta por similaridade vetorial, apresentamos como consultar entidades usando similaridade vetorial, uma maneira poderosa de encontrar os registros mais relevantes com base no significado, em vez de valores exatos.
O 4D 21 R2 vem com uma nova maneira de classificar os resultados da consulta usando campos 4D.Vector. Você pode não apenas filtrar entidades por similaridade, mas também classificar os resultados da sua consulta usando a função .query() para que as entidades mais relevantes e semanticamente mais próximas apareçam primeiro. Esteja você criando uma experiência de pesquisa inteligente, um mecanismo de recomendação ou um assistente baseado em IA, esse novo recurso garante que seus resultados sejam ordenados por relevância, proporcionando resultados mais precisos e fáceis de usar.
Pesquisa semântica: consulta por semelhança de vectores
Com a crescente importância da busca baseada em vetores em aplicações de IA como busca semântica, mecanismos de recomendação e processamento de linguagem natural, 4D introduz suporte nativo para consultas vetoriais na função query(). Essa melhoria traz comparações de similaridade de vetores diretamente para a linguagem de DataClass.query() e EntitySelection.query().
Encontre o ponto certo no seu documento 4D Write Pro com IA
Em aplicações 4D, documentos grandes são comuns: relatórios financeiros, diretrizes internas, manuais técnicos… Procurar uma palavra-chave exacta muitas vezes não é suficiente. Percorrer relatórios de 30 páginas para encontrar um parágrafo não é apenas demorado, mas também propenso a erros. É aqui que a IA pode ajudar.
A abordagem semântica baseada em vectores, introduzida em 4D 20 R10, já torna possível encontrar um documento 4D Write Pro relevante mesmo quando são usadas palavras diferentes (por exemplo, “inserir imagem” vs. “adicionar imagem”).
Mas o que acontece quando um documento se estende por múltiplas páginas e cobre vários subtópicos? Mesmo que todo o texto possa ser convertido num único vetor, os resultados são frequentemente melhores quando trabalhamos a uma escala mais fina. É esta a ideia subjacente ao chunking: dividir um documento em segmentos coerentes, cada um representado pelo seu próprio vetor.
É precisamente isto que nos permite ir mais longe: recuperar não só o documento certo, mas também a passagem exacta que corresponde à pesquisa.
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.
A IA traz a pesquisa mágica para os documentos 4D Write Pro
Em muitas aplicações empresariais 4D, os documentos são tudo – notas técnicas, relatórios, manuais, guias internos. Mas quando os usuários não conseguem lembrar o texto exato, encontrar o documento certo se torna lento, frustrante, ou pior – impossível.
Com 4D 20 R10, a busca semântica alimentada por vetores AI muda isso. Em vez de combinar palavras-chave, combina o significado. Os utilizadores obtêm o documento certo, mesmo que pesquisem com palavras diferentes ou numa língua diferente. É uma forma mais inteligente de revelar o conhecimento oculto nos seus documentos – rápida, precisa e concebida para a forma como as pessoas realmente pesquisam.
Vamos considerar um exemplo concreto: um utilizador quer localizar uma nota técnica que explica como inserir uma imagem num documento 4D Write Pro. No entanto, ele pode não se lembrar da frase exacta usada no documento.
4D AI: Descubra o poder dos Vectores 4D
Quando se trabalha com aplicações modernas, especialmente as que envolvem Inteligência Artificial, processamento de linguagem natural, ou dados espaciais, a matemática vetorial é fundamental. É por isso que 4D 20 R10 introduz um novo objeto: 4D.Vector, desenhado para ajudar desenvolvedores a armazenar e comparar vetores de dados com apenas algumas linhas de código.
Por exemplo, se está construindo uma caraterística para classificar imagens baseadas em quão bem elas combinam com um texto, apenas gere vetores, compare-os usando similaridade de cosseno, e ordene seus resultados do mais para o menos relevante, tudo diretamente em 4D.
Porque é que a sua pilha de pesquisa está avariada – e como é que a Vetor Search a corrige
O utilizador faz uma pergunta. O seu sistema dá-lhe correspondências de palavras-chave – perto, mas não a resposta. A verdadeira informação? Está enterrada num documento, redigida de forma diferente ou escondida num formato que a sua pesquisa não consegue compreender.
Agora, imagine uma pesquisa que percebe o que quer dizer, mesmo que não o diga na perfeição. Que revela o significado e não apenas as palavras correspondentes.
É esta a mudança que exploramos nesta publicação do blogue: o que está a falhar atualmente, o que o está a substituir e porque é que a pesquisa vetorial se está a tornar o novo padrão para as equipas que precisam de clareza em grande escala.
Contacte-nos
Tem uma pergunta, sugestão ou apenas quer entrar em contacto com os bloggers 4D? Deixe-nos uma linha!
* A sua privacidade é muito importante para nós. Por favor clique aqui para ver os nossos Política