Vector Search

البحث المتجهي هو أسلوب متقدم لاسترجاع المعلومات يحدد العناصر المتشابهة ضمن مجموعة بيانات استنادًا إلى خصائصها الرياضية بدلًا من التطابق التام للكلمات المفتاحية. وعلى خلاف البحث بالكلمات المفتاحية التقليدي، الذي يعتمد على العثور على سلاسل أحرف محددة، يحلل البحث المتجهي المعنى الدلالي الكامن للبيانات. وتُعد هذه التقنية أساسية لتطبيقات الذكاء الاصطناعي (AI) الحديثة، لأنها تتيح للحواسيب فهم العلاقات بين المفاهيم المجردة ومعالجة البيانات غير المهيكلة، مثل الصور والملفات الصوتية والنصوص باللغة الطبيعية، بدقة ملحوظة.

آلية عمل البحث المتجهي#

يتمثل جوهر البحث المتجهي في تحويل البيانات الخام إلى متجهات عددية عالية الأبعاد تُعرف باسم التضمينات. وتعمل هذه العملية على تعيين العناصر إلى نقاط في فضاء متعدد الأبعاد، حيث تقع العناصر المتشابهة من الناحية المفاهيمية بالقرب من بعضها بعضًا.

1. تكوين المتجهات: يعالج نموذج التعلم العميق (DL) بيانات الإدخال—مثل صورة لكلب—ويُخرج متجه سمات. وغالبًا ما تُستخدم نماذج متقدمة مثل YOLO26 لتوليد تمثيلات السمات الغنية هذه بكفاءة.

2. الفهرسة: لإجراء عمليات البحث بسرعة، تُنظَّم هذه المتجهات باستخدام خوارزميات متخصصة، وغالبًا ما تُخزَّن في قاعدة بيانات متجهية مخصصة.

3. حساب التشابه: عندما يرسل المستخدم استعلامًا، يحوّل النظام ذلك الاستعلام إلى متجه ويقيس المسافة إلى المتجهات المخزنة باستخدام مقاييس مثل التشابه الجيبي أو المسافة الإقليدية.

4. الاسترجاع: يعيد النظام «أقرب الجيران»، الذين يمثلون النتائج الأكثر صلة بالسياق.

مثال باستخدام Python: توليد التضمينات#

لتنفيذ البحث المتجهي، يجب أولًا تحويل بياناتك إلى متجهات. يوضح مقتطف التعليمات البرمجية التالي كيفية توليد خرائط السمات والتضمينات من صورة باستخدام الحزمة ultralytics ونموذج YOLO26 مدرَّب مسبقًا.

from ultralytics import YOLO

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

# Generate feature embeddings for an image URL
# The 'embed' method returns the high-dimensional vector representation
results = model.embed("https://ultralytics.com/images/bus.jpg")

# Print the shape of the resulting embedding vector
print(f"Embedding vector shape: {results[0].shape}")

التطبيقات الواقعية#

يُعد البحث المتجهي المحرك الكامن وراء العديد من الميزات البديهية في منظومة البرمجيات الحالية، إذ يردم الفجوة بين الرؤية الحاسوبية (CV) ونيات المستخدم.

• أنظمة التوصية المرئية: في قطاع الذكاء الاصطناعي في تجارة التجزئة، يتيح البحث المتجهي ميزات «تسوّق الإطلالة». فإذا أعجب العميل بحقيبة يد معينة، يعثر النظام على عناصر ذات متجهات مرئية مشابهة—تطابق الشكل والملمس والأسلوب—فينشئ نظام توصية مخصصًا.
• التوليد المعزز بالاسترجاع (RAG): لتحسين نماذج اللغة الكبيرة (LLMs)، يستخدم المطورون البحث المتجهي لاسترجاع المستندات ذات الصلة من قاعدة معرفية. ويوفر ذلك سياقًا للذكاء الاصطناعي، مما يقلل الهلوسة ويحسن الدقة في تفاعلات روبوتات الدردشة.
• اكتشاف الحالات الشاذة: من خلال تجميع متجهات العمليات «الطبيعية»، تستطيع الأنظمة تحديد القيم الشاذة التي تبتعد كثيرًا عن التجمع. ويُعد ذلك مهمًا لاكتشاف الحالات الشاذة في مراقبة جودة التصنيع وأمن البيانات.

التمييز بين المفاهيم ذات الصلة#

من المفيد التمييز بين البحث المتجهي والمصطلحات المشابهة لفهم منظومة التعلم الآلي (ML) الكاملة.

• البحث المتجهي مقابل البحث الدلالي: البحث الدلالي هو التطبيق الأوسع لفهم نية المستخدم («ماذا»). أما البحث المتجهي فهو الأسلوب الخوارزمي المحدد المستخدم لتحقيق ذلك من خلال حساب تقارب المتجهات («كيف»).
• البحث المتجهي مقابل قاعدة البيانات المتجهية: قاعدة البيانات المتجهية هي البنية التحتية المصممة لتخزين التضمينات وإدارتها على نطاق واسع. أما البحث المتجهي فهو عملية الاستعلام من قاعدة البيانات تلك لاسترجاع المعلومات.
• البحث المتجهي مقابل البحث بالكلمات المفتاحية: يطابق البحث بالكلمات المفتاحية سلاسل النصوص المطابقة تمامًا (مثلًا، تطابق «apple» مع «apple»). أما البحث المتجهي فيطابق المعنى، لذا قد تطابق «apple» كلمة «fruit» أو «red» حتى لو اختلفت الكلمات.

التكامل مع منصة Ultralytics#

بالنسبة إلى الفرق التي تبني أنظمة البحث عن التشابه، تُعد إدارة مجموعات البيانات وتدريب نماذج التضمين خطوة أولى حاسمة. وتبسّط منصة Ultralytics سير العمل هذا من خلال توفير أدوات لإدارة البيانات والتدريب السحابي ونشر النماذج. ومن خلال ضمان أن تكون نماذجك الأساسية—سواء كانت مخصصة لـاكتشاف الأجسام أو التصنيف—عالية الأداء، فإنك تضمن أن توفر المتجهات الناتجة نتائج بحث دقيقة وذات معنى.