البحث الدلالي (Semantic Search)

البحث الدلالي هو أسلوب متقدم لاسترجاع المعلومات يهدف إلى فهم النية والمعنى السياقي وراء استعلام المستخدم، بدلاً من مجرد مطابقة الكلمات الرئيسية. على عكس محركات البحث التقليدية التي تعتمد على مطابقة المصطلحات الحرفية، يستخدم البحث الدلالي معالجة اللغة الطبيعية (NLP) و تعلم الآلة (ML) لتقديم نتائج أكثر صلة ودقة. الهدف هو سد الفجوة بين اللغة البشرية والبيانات المنظمة التي يمكن لأجهزة الكمبيوتر معالجتها بسهولة، مما يؤدي إلى تجربة بحث أكثر سهولة وفعالية.

يتم تشغيل هذه التقنية عن طريق تحويل البيانات غير المنظمة مثل النصوص أو الصور إلى تمثيلات رقمية تسمى التضمينات. يتم تدريب نماذج مثل CLIP (التدريب المسبق للغة والصورة التباينية) من OpenAI أو BERT من Google لإنشاء هذه التضمينات، التي تلتقط الجوهر الدلالي للمحتوى. بمجرد تمثيل البيانات كمتجهات، تستخدم قاعدة بيانات متجهات مثل Milvus أو Weaviate خوارزميات متخصصة مثل FAISS من Meta لإجراء بحث سريع وفعال عن التشابه.

تطبيقات واقعية

لقد غيّر البحث الدلالي الطريقة التي نتفاعل بها مع المعلومات الرقمية عبر مختلف المجالات. فيما يلي مثالان بارزان:

1. البحث الدلالي عن الصور: في المجالات الإبداعية أو لإدارة مجموعات بيانات الصور الكبيرة، غالبًا ما يحتاج المستخدمون إلى العثور على صور بناءً على مفاهيم مجردة. على سبيل المثال، قد يبحث مصمم جرافيك عن "شاطئ هادئ ومعزول عند غروب الشمس". سيعاني النظام التقليدي من هذه الاستعلام ما لم يتم وضع علامات دقيقة على الصور. يقوم نظام البحث الدلالي، مثل النظام الذي تقدمه Ultralytics، بتحليل محتوى الصور نفسها، وإرجاع العناصر المرئية التي تتطابق مع الحالة المزاجية والعناصر الموصوفة دون الاعتماد على أسماء الملفات أو العلامات. يمكنك معرفة المزيد حول تنفيذ ذلك في دليل البحث عن التشابه الخاص بنا.
2. اكتشاف منتجات التجارة الإلكترونية: يستفيد تجار التجزئة عبر الإنترنت من البحث الدلالي لتحسين تجربة التسوق. قد يبحث العميل عن "أحذية دافئة لفصل الشتاء الثلجي" بدلاً من اسم منتج معين. يمكن لمحرك البحث فهم مفاهيم "دافئ" و"ثلجي" والتوصية بمنتجات مثل الأحذية المعزولة والمقاومة للماء، حتى لو لم تكن تلك الكلمات الرئيسية الدقيقة في وصف المنتج. يؤدي هذا إلى زيادة رضا العملاء وتحسين المبيعات، كما أوضح خبراء الصناعة في Forbes.

البحث الدلالي مقابل المفاهيم ذات الصلة

من المهم التمييز بين البحث الدلالي (semantic search) والعديد من المصطلحات ذات الصلة في الذكاء الاصطناعي وعلم البيانات:

• البحث عن الكلمات الرئيسية: هذه هي الطريقة التقليدية لمطابقة الكلمات الحرفية في الاستعلام مع المستندات. لا يمكنها فهم المرادفات أو السياق أو نية المستخدم، وهي نقاط القوة الأساسية للبحث الدلالي.
• البحث المتجهي (Vector Search): يشير هذا إلى طريقة للعثور على عناصر مماثلة عن طريق حساب قرب تضميناتها المتجهة. في حين أن البحث المتجهي هو مكون حاسم في معظم أنظمة البحث الدلالي الحديثة، إلا أن البحث الدلالي هو المفهوم الأوسع الذي يتضمن أيضًا الخطوة الأولية لفهم المعنى من خلال نماذج معالجة اللغة الطبيعية (NLP) المتطورة من شركات مثل Cohere.
• مخطط المعرفة (Knowledge Graph): يقوم مخطط المعرفة بهيكلة المعلومات ككيانات وعلاقاتها. يمكنه تحسين البحث الدلالي بشكل كبير من خلال توفير سياق منظم، كما هو الحال مع مخطط جوجل المعرفي (Google Knowledge Graph). ومع ذلك، يمكن للبحث الدلالي أيضًا أن يعمل مباشرة على البيانات غير المنظمة باستخدام التضمينات (embeddings) وحدها، مما يجعل التقنيتين متكاملتين.
• Named Entity Recognition (NER): NER هي مهمة فرعية من مهام البرمجة اللغوية العصبية (NLP) التي تحدد كيانات معينة مثل الأسماء والأماكن والمؤسسات في النص. يمكن استخدامه كخطوة معالجة مسبقة في مسار NLP لتغذية المفاهيم الأساسية في نظام البحث الدلالي، ولكنه ليس عملية البحث نفسها.

يعد البحث الدلالي حجر الزاوية في حلول الذكاء الاصطناعي (AI) الحديثة، مما يتيح أنظمة أكثر ذكاءً وسهولة في الاستخدام. تعمل هذه التقنية على تشغيل كل شيء بدءًا من عمليات البحث اليومية على الويب وحتى تطبيقات الذكاء الاصطناعي (AI) المتخصصة، بما في ذلك البحث المرئي المبني باستخدام نماذج Ultralytics YOLO والمُدارة من خلال منصات مثل Ultralytics HUB.