Hybrid Search

يجمع هذا المنهج في البحث بين دقة مطابقة الكلمات المفتاحية التقليدية والفهم السياقي للذكاء الاصطناعي الحديث، ويسترجع المعلومات ويرتّبها بالاستفادة من تمثيلات البيانات المتناثرة والكثيفة معًا. فبينما يعتمد محرك البحث التقليدي كليًا على المطابقة الدقيقة للكلمات المفتاحية (المعروفة باسم البحث المعجمي)، وتعتمد محركات البحث المتجهي حصرًا على التشابه الدلالي، يدمج محرك البحث الهجين النهجين لتقديم نتائج دقيقة للغاية ومراعية للسياق.

آلية العمل#

ينفّذ مسار البحث الهجين المعتاد طريقتين منفصلتين للاسترجاع بالتزامن، ثم يدمج مخرجاتهما في ترتيب واحد محسّن:

• البحث المعجمي (المتناثر): يستخدم خوارزميات مثل BM25 لتقييم المطابقات الدقيقة للكلمات المفتاحية استنادًا إلى تكرار المصطلحات. وتكتسب هذه الطريقة أهمية بالغة لاسترجاع كيانات محددة أو اختصارات أو رموز تعريف المنتجات أو المصطلحات المتخصصة التي قد يصعب على نموذج دلالي بحت تحديدها.
• البحث الدلالي (الكثيف): ينشئ مصفوفات عالية الأبعاد من الأرقام باستخدام نماذج الذكاء الاصطناعي لفهم المعنى الأعمق للاستعلام وسياقه. ويتيح ذلك للنظام العثور على نتائج ذات صلة حتى إذا لم ترد الكلمات نفسها في استعلام البحث.

بعد أن تسترجع الطريقتان النتائج المرشحة، تجمع خوارزمية دمج—وغالبًا ما تكون دمج الترتيب التبادلي (RRF)—القوائم. وتحسب RRF درجة جديدة استنادًا إلى ترتيب كل عنصر في مجموعتي النتائج المتناثرة والكثيفة المعنيتين. ويضمن ذلك تصدّر المستندات ذات الترتيب المرتفع في أحد البحثين أو كليهما، مع الموازنة بين المطابقات السياقية الواسعة ودقة الكلمات المفتاحية.

تطبيقات الذكاء الاصطناعي والتعلم الآلي في العالم الحقيقي#

تعتمد بنى الذكاء الاصطناعي الحديثة اعتمادًا كبيرًا على هذه التقنية للتغلب على قيود استخدام طريقة استرجاع واحدة في بيئات الإنتاج.

• التوليد المعزّز بالاسترجاع الهجين (RAG): في أنظمة المعرفة المؤسسية، يُعد تزويد نموذج لغوي كبير (LLM) بالسياق الأكثر صلة أمرًا أساسيًا للحد من الهلوسات. ويضمن إعداد RAG هجين استرجاع النموذج للمستندات المطابقة للقيود التقنية الدقيقة، مع جلب فقرات ذات صلة دلالية أيضًا.
• التجارة الإلكترونية واكتشاف المنتجات بصرياً: يستخدم تجار التجزئة البحث الهجين لتشغيل كتالوجات المنتجات. فقد يبحث المستخدم عن «حذاء جري أحمر». يطابق محرك البحث المعجمي كلمات العلامة التجارية أو الفئة حرفياً، بينما يستخدم نموذج ذكاء اصطناعي للرؤية تضمينات الصور لاقتراح عناصر متشابهة بصرياً.

تدعم اليوم تقريباً كل قواعد البيانات المتجهة الرئيسية، بما فيها Pinecone وQdrant وOpenSearch، البحث الهجين بصورة أصلية، كما يمكن لـ PostgreSQL الجمع بين pgvector والبحث الكامل عن النصوص المدمج فيه. ويتيح ذلك للمطورين فهرسة الكلمات المفتاحية المتناثرة والمتجهات الكثيفة بكفاءة ضمن بنية تحتية واحدة.

إنشاء البيانات الوصفية للبحث الهجين#

في مسارات الرؤية الحاسوبية، يمكنك استخراج كلمات مفتاحية ذات معنى من الصور لإنشاء المكوّن المتناثر في فهرس هجين. وباستخدام Ultralytics YOLO26، يمكنك إجراء كشف الكائنات تلقائيًا على صورة واستخدام أسماء الفئات بوصفها وسوم بيانات وصفية. ويمكن بعد ذلك إقران هذه الوسوم بالكلمات المفتاحية مع تضمينات المتجهات الكثيفة للصورة لإجراء فهرسة شاملة.

from ultralytics import YOLO

# ⁨حمّل نموذج كشف الكائنات الموصى به من Ultralytics YOLO26⁩
model = YOLO("yolo26n.pt")

# ⁨نفّذ الاستدلال لكشف الكائنات في صورة⁩
results = model("store_aisle.jpg")

# ⁨استخرج أسماء الفئات المتوقعة لفهرستها بوصفها بيانات وصفية للكلمات المفتاحية (بيانات متناثرة)⁩
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 متناثرة دقيقة مولّدة بالذكاء الاصطناعي، يستطيع المطورون الاستفادة من منصة Ultralytics وقواعد البيانات المتجهة المتوافقة مع البحث الهجين لبناء محركات بحث متعددة الوسائط قوية، تفهم كلاً من الوسوم النصية الصريحة والسياق المرئي الضمني لبياناتهم.