Hybrid Search

تجمع منهجية البحث هذه بين دقة مطابقة الكلمات المفتاحية التقليدية والفهم السياقي للذكاء الاصطناعي الحديث، حيث تقوم باسترجاع المعلومات وتصنيفها من خلال الاستفادة من تمثيلات البيانات المتفرقة والكثيفة على حد سواء. بينما يعتمد محرك بحث قياسي كلياً على مطابقة الكلمات المفتاحية الدقيقة (المعروف باسم البحث المعجمي) وتعتمد محركات البحث المتجهية حصرياً على التشابه الدلالي، فإن محرك البحث الهجين يدمج هذين النهجين لتقديم نتائج دقيقة للغاية ومدركة للسياق.

Link to this sectionكيف يعمل#

ينفذ خط استرجاع البحث الهجين النموذجي طريقتي استرجاع متميزتين في وقت واحد، ويدمج مخرجاتهما في تصنيف واحد مُحسَّن:

• البحث المعجمي (المتفرق): يستخدم خوارزميات مثل BM25 لتسجيل مطابقة الكلمات المفتاحية الدقيقة بناءً على تكرار المصطلح. يعد هذا أمراً بالغ الأهمية لاسترجاع كيانات محددة، أو اختصارات، أو رموز وحدات المنتج (SKUs)، أو مصطلحات متخصصة قد يواجه النموذج الدلالي البحت صعوبة في تحديدها.
• البحث الدلالي (الكثيف): يُنشئ مصفوفات عالية الأبعاد من الأرقام باستخدام نماذج الذكاء الاصطناعي لفهم المعنى العميق وسياق الاستعلام. يسمح هذا للنظام بالعثور على نتائج ذات صلة حتى لو كانت الكلمات الدقيقة مفقودة من استعلام البحث.

بمجرد استرجاع كلتا الطريقتين لنتائج المرشحة الخاصة بهما، تقوم خوارزمية دمج—الأكثر شيوعاً هي دمج الرتب المتبادل (RRF)—بدمج القوائم. تحسب RRF درجة جديدة بناءً على رتبة كل عنصر في مجموعات النتائج المتفرقة والكثيفة المعنية. يضمن هذا صعود المستندات التي تحتل مرتبة عالية في أي من البحثين أو كليهما إلى القمة، مما يوازن بين المطابقات السياقية الواسعة ودقة الكلمات المفتاحية المحددة.

Link to this sectionتطبيقات الذكاء الاصطناعي والتعلم الآلي في العالم الحقيقي#

تعتمد بنيات الذكاء الاصطناعي الحديثة بشكل كبير على هذه التقنية للتغلب على قيود استخدام طريقة استرجاع واحدة في بيئات الإنتاج.

• البحث الهجين عبر RAG (التوليد المعزز بالاسترجاع): في أنظمة المعرفة المؤسسية، يعد تزويد نموذج لغوي كبير (LLM) بالسياق الأكثر صلة أمراً بالغ الأهمية لمنع الهلوسة. يضمن إعداد البحث الهجين عبر RAG أن يسترجع النموذج المستندات التي تطابق القيود التقنية الدقيقة مع سحب الفقرات ذات الصلة دلالياً أيضاً.
• التجارة الإلكترونية واكتشاف المنتجات بصرياً: يستخدم تجار التجزئة البحث الهجين لتشغيل كتالوجات المنتجات. قد يبحث المستخدم عن "أحذية جري حمراء". يطابق المحرك المعجمي العلامة التجارية أو كلمات الفئة المفتاحية الدقيقة، بينما يستخدم نموذج ذكاء اصطناعي للرؤية تضمينات الصور لإظهار عناصر متشابهة بصرياً.

اليوم، تدعم تقريباً كل قاعدة بيانات متجهية رئيسية—بما في ذلك Pinecone، وQdrant، وOpenSearch، وPostgreSQL عبر pgvector—البحث الهجين أصلياً. يسمح هذا للمطورين بفهرسة كل من الكلمات المفتاحية المتفرقة والمتجهات الكثيفة بكفاءة في بنية تحتية واحدة.

Link to this sectionتوليد البيانات الوصفية للبحث الهجين#

في خطوط أنابيب الرؤية الحاسوبية، يمكنك استخراج كلمات مفتاحية ذات معنى من الصور لبناء المكون المتفرق للفهرس الهجين. باستخدام Ultralytics YOLO26، يمكنك إجراء اكتشاف الكائنات تلقائياً على صورة واستخدام أسماء الفئات تلك كـ وسوم بيانات وصفية. يمكن بعد ذلك إقران وسوم الكلمات المفتاحية هذه بتضمينات المتجهات الكثيفة للصورة من أجل فهرسة شاملة.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 object detection model
model = YOLO("yolo26n.pt")

# Run inference to detect objects in an image
results = model("store_aisle.jpg")

# Extract predicted class names to be indexed as keyword metadata (sparse data)
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

من خلال إثراء تضمينات الصور الكثيفة بكلمات مفتاحية متفرقة دقيقة ومولدة بواسطة الذكاء الاصطناعي، يمكن للمطورين الاستفادة من Ultralytics Platform وقواعد البيانات المتجهية المتوافقة مع البحث الهجين لبناء محركات بحث متعددة الوسائط قوية تفهم تماماً كلاً من الوسوم النصية الصريحة والسياق البصري الضمني لبياناتهم.