قاعدة بيانات المتجهات

قاعدة بيانات المتجهات هي نوع متخصص من قواعد البيانات المصممة لتخزين وإدارة والبحث في البيانات عالية الأبعاد المعروفة باسم تضمينات المتجهات (vector embeddings). على عكس قواعد البيانات العلائقية التقليدية المحسّنة للبيانات المنظمة والمطابقات التامة، تتفوق قواعد بيانات المتجهات في العثور على العناصر بناءً على تشابهها. هذه القدرة أساسية لمجموعة واسعة من تطبيقات الذكاء الاصطناعي (AI) الحديثة، من محركات التوصية إلى البحث المرئي، مما يجعلها مكونًا مهمًا في البنية التحتية للتعلم الآلي (machine learning). إنها بمثابة ذاكرة طويلة الأجل لنماذج الذكاء الاصطناعي، مما يسمح لها بالاستفادة من الأنماط المعقدة التي تم تعلمها أثناء التدريب.

آلية عمل قواعد بيانات المتجهات

الوظيفة الأساسية لقاعدة بيانات المتجهات هي تنفيذ بحث المتجهات بكفاءة. تبدأ العملية عندما يتم تمرير بيانات غير منظمة - مثل صورة أو كتلة نصية أو مقطع صوتي - عبر نموذج التعلم العميق لإنشاء تمثيل رقمي يسمى تضمين متجهي. تلتقط هذه التضمينات المعنى الدلالي للبيانات الأصلية.

ثم تقوم قاعدة بيانات المتجهات بتخزين هذه التضمينات وفهرستها باستخدام خوارزميات متخصصة. عند إجراء استعلام (على سبيل المثال، البحث باستخدام صورة)، يتم أيضًا تحويل بيانات الاستعلام إلى متجه. ثم تقارن قاعدة البيانات متجه الاستعلام هذا بالمتجهات المخزنة باستخدام مقاييس التشابه مثل تشابه جيب التمام أو مسافة إقليدية للعثور على العناصر "الأقرب" أو الأكثر تشابهًا. لإجراء ذلك على نطاق واسع مع ملايين أو مليارات المتجهات، فإنها غالبًا ما تعتمد على خوارزميات الجيران الأقرب التقريبي (ANN) عالية الكفاءة.

تطبيقات واقعية

تعمل قواعد بيانات المتجهات على تشغيل العديد من الميزات الذكية التي يتفاعل معها المستخدمون يوميًا.

1. البحث المرئي في التجارة الإلكترونية: يمكن للمستخدم تحميل صورة لمنتج يعجبه. يقوم نموذج رؤية حاسوبية، مثل نموذج Ultralytics YOLO11، بإنشاء تضمين للصورة. يُستخدم هذا التضمين للاستعلام عن قاعدة بيانات المتجهات الخاصة بموقع التجارة الإلكترونية، والتي تحتوي على تضمينات لكتالوج المنتجات بأكمله. تُرجع قاعدة البيانات المتجهات الأكثر تشابهًا، مما يسمح للموقع بعرض منتجات متطابقة بصريًا أو ذات صلة من الناحية الأسلوبية، وهي ميزة رئيسية في الذكاء الاصطناعي للبيع بالتجزئة.
2. البحث الدلالي عن المستندات: يمكن للشركة إنشاء تضمينات لجميع مستنداتها الداخلية، مثل التقارير وتذاكر الدعم. يمكن للموظف بعد ذلك البحث باستخدام سؤال باللغة الطبيعية مثل "ما هي أرباحنا في الربع الأخير؟" بدلاً من كلمات رئيسية محددة. يقوم نموذج معالجة اللغة الطبيعية (NLP) بتحويل هذا الاستعلام إلى تضمين، وتجد قاعدة بيانات المتجهات المستندات التي تكون تضميناتها الأقرب دلاليًا، مما يوفر معلومات ذات صلة حتى إذا كانت الصياغة الدقيقة لا تتطابق. هذا هو المكون الأساسي لأنظمة الجيل المعزز بالاسترجاع (RAG).

قواعد بيانات المتجهات مقابل المفاهيم ذات الصلة

من المفيد التمييز بين قواعد بيانات المتجهات والمصطلحات وثيقة الصلة:

• التضمينات: التضمينات هي تمثيلات متجهية للبيانات. قاعدة البيانات المتجهة هي النظام المتخصص المصمم لتخزين وفهرسة والاستعلام عن هذه التضمينات بكفاءة. فكر في التضمينات على أنها الكتب وقاعدة البيانات المتجهة على أنها المكتبة الذكية التي تنظمها.
• البحث المتجهي: البحث المتجهي هو عملية إيجاد المتجهات الأكثر تشابهًا في مجموعة بيانات. قاعدة بيانات المتجهات هي التقنية الأساسية التي تجعل هذه العملية سريعة وقابلة للتطوير، خاصة بالنسبة للاستدلال في الوقت الفعلي.

تتم إدارة هذه المكونات كجزء من سير عمل MLOps كامل، غالبًا ما يتم تسهيله بواسطة منصات مثل Ultralytics HUB للإدارة الشاملة للنماذج ومجموعات البيانات.

قواعد بيانات المتجهات الشائعة

تتوفر العديد من قواعد بيانات المتجهات مفتوحة المصدر والتجارية، ولكل منها نقاط قوة مختلفة فيما يتعلق بقابلية التوسع والنشر والميزات. بعض من الأكثر استخدامًا تشمل:

• Pinecone: خدمة قاعدة بيانات متجهية شائعة ومدارة بالكامل.
• Milvus: قاعدة بيانات متجهية مفتوحة المصدر مصممة لتحقيق أداء عالٍ وقابلية للتوسع.
• Weaviate: قاعدة بيانات مفتوحة المصدر وأصلية للذكاء الاصطناعي مع إمكانات الرسم البياني.
• Chroma DB: قاعدة بيانات تضمين مفتوحة المصدر تركز على البساطة وتجربة المطور.
• Qdrant: قاعدة بيانات متجهات مفتوحة المصدر ومحرك بحث عن التشابه مكتوب بلغة Rust لتحقيق الأداء العالي والسلامة.