Semantic Search

البحث الدلالي هو تقنية متقدمة لاسترجاع المعلومات تهدف إلى فهم نية استعلام المستخدم ومعناه السياقي، بدلًا من مجرد مطابقة كلمات محددة. ومن خلال الاستفادة من التطورات في معالجة اللغة الطبيعية (NLP) والتعلم الآلي (ML)، تتيح هذه التقنية للأنظمة تفسير اللغة البشرية بمزيد من الدقة والسياق. ويُعدّ البحث الدلالي ركيزة أساسية لتطبيقات الذكاء الاصطناعي (AI) الحديثة، إذ يتيح تفاعلات أكثر سهولة بين البشر والآلات من خلال ردم الفجوة بين استعلامات المستخدم الغامضة والبيانات ذات الصلة.

كيفية عمل البحث الدلالي#

يتجاوز البحث الدلالي في جوهره المطابقة الحرفية للأحرف، لِيحلّل العلاقة بين المفاهيم. وقد تفشل محركات البحث التقليدية إذا بحث المستخدم عن "feline" بينما لا تحتوي المستندات إلا على كلمة "cat". ويعالج البحث الدلالي هذه المشكلة من خلال تحويل البيانات غير المهيكلة—مثل النصوص أو الصور أو الصوت—إلى تمثيلات رياضية تُسمى التضمينات.

هذه التضمينات هي متجهات عالية الأبعاد موضوعة في "فضاء دلالي". وفي هذا الفضاء، تتموضع العناصر ذات المعاني المتشابهة بالقرب من بعضها بعضًا. فعلى سبيل المثال، يكون متجه "car" أقرب رياضيًا إلى "automobile" و"road" منه إلى "banana". وعندما يرسل المستخدم استعلامًا، يحوّل النظام ذلك الاستعلام إلى متجه ويعثر على أقرب نقاط البيانات في قاعدة بيانات المتجهات. وتعتمد هذه العملية على نماذج التعلم العميق لإجراء استخراج السمات، وتحديد الخصائص الأساسية للبيانات.

يوضح كود Python التالي كيفية إنشاء هذه التضمينات باستخدام نموذج Ultralytics YOLO26، وهي الخطوة الأساسية لتمكين البحث الدلالي البصري.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate feature embeddings for an image
# This converts the visual content into a numerical vector
results = model.embed("https://ultralytics.com/images/bus.jpg")

# Output the shape of the embedding vector (e.g., length 1280)
print(f"Embedding vector shape: {results[0].shape}")

التطبيقات الواقعية#

أحدث البحث الدلالي تحولًا في طريقة اكتشاف المستخدمين للمعلومات عبر مختلف القطاعات، مما جعل الأنظمة أكثر ذكاءً وكفاءة.

• التجارة الإلكترونية والاكتشاف البصري: في مجال الذكاء الاصطناعي في قطاع التجزئة، يتيح البحث الدلالي ميزات «تسوّق الإطلالة». فقد يحمّل العميل صورة لحذاء رياضي أو يبحث عن «أجواء صيفية عتيقة». ويستخدم النظام الرؤية الحاسوبية لفهم النمط البصري واسترجاع المنتجات التي تتوافق مع المظهر الجمالي، حتى إذا لم تتضمن أوصاف المنتجات تلك الكلمات المفتاحية نفسها. وغالبًا ما يشمل ذلك نماذج متعددة الوسائط القادرة على فهم مدخلات النصوص والصور معًا.
• إدارة المعرفة وRAG: تستخدم المؤسسات الكبيرة البحث الدلالي لمساعدة الموظفين على العثور على المستندات الداخلية. فبدلًا من تذكّر أسماء الملفات بدقة، يمكن للموظف طرح سؤال مثل «كيف أعيد ضبط الخادم؟». ويستخدم النظام التوليد المعزز بالاسترجاع (RAG) للعثور على مستندات السياسات الأكثر صلة استنادًا إلى المعنى، ثم يمررها إلى نموذج لغوي كبير (LLM) لإنشاء إجابة دقيقة.
• التوصية بالمحتوى: تستفيد منصات البث من الفهم الدلالي لتحسين نظام التوصية لديها. ومن خلال تحليل ملخصات الحبكات وخرائط السمات البصرية للأفلام التي يستمتع بها المستخدم، تستطيع المنصة اقتراح عناوين أخرى تشترك في موضوعات أو أجواء مماثلة، مما يحافظ على تفاعل المستخدمين لمدة أطول.

البحث الدلالي مقارنةً بالمفاهيم ذات الصلة#

لفهم فائدة البحث الدلالي فهمًا كاملًا، من المفيد تمييزه عن المصطلحات ذات الصلة في مجال علم البيانات.

• البحث المتجهي: رغم استخدام المصطلحين غالبًا بالتبادل، يوجد تمييز تقني بينهما. فالبحث المتجهي هو طريقة رياضية لحساب المسافة بين المتجهات، وغالبًا ما يستخدم التشابه الجيبي. أما البحث الدلالي فهو تطبيق أوسع يستخدم البحث المتجهي لتحقيق هدف فهم نية المستخدم.
• البحث بالكلمات المفتاحية: هذه هي الطريقة التقليدية التي تعتمد على المطابقة التامة للسلاسل النصية. وهي أقل تكلفة حسابية، لكنها هشة؛ إذ تواجه صعوبة في التعامل مع المرادفات وتعدد المعاني، أي الكلمات ذات المعاني المتعددة. ويتطلب البحث الدلالي قدرة حسابية أكبر، لكنه يحقق صلة أعلى بكثير.
• التعلم الصفري: يشير هذا المصطلح إلى قدرة النموذج على تصنيف بيانات لم يرها من قبل أثناء التدريب. وغالبًا ما تُظهر محركات البحث الدلالي قدرات التعلم الصفري، لأنها تستطيع ربط استعلام جديد لم يُشاهد من قبل بعناقيد موجودة من المفاهيم المعروفة ضمن فضاء التضمينات، من دون إعادة التدريب.

يتطلب تنفيذ البحث الدلالي عادةً مسارًا متينًا لإدارة مجموعات البيانات وتدريب النماذج. وتبسّط منصة Ultralytics هذه العملية من خلال توفير أدوات لوسم البيانات وتدريب النماذج ونشرها بكفاءة. وبالنسبة إلى المطورين الذين يرغبون في بناء هذه الأنظمة، يوفّر استكشاف دليل البحث عن التشابه من Ultralytics خطوات عملية لدمج هذه الإمكانات القوية في التطبيقات.