Semantische Suche

So funktioniert die semantische Suche

Im Kern nutzt die semantische Suche Konzepte aus NLP und maschinellem Lernen (ML), um die in Text oder anderen Datentypen eingebettete Bedeutung zu entschlüsseln. Der Prozess beinhaltet oft die Umwandlung von Daten (wie Wörtern, Sätzen, Dokumenten oder sogar Bildern) in numerische Darstellungen, die sogenannten Einbettungen. Diese Einbettungen, in der Regel hochdimensionale Vektoren, erfassen die semantische Essenz der Daten. Elemente mit ähnlichen Bedeutungen, Konzepten oder Kontexten werden in diesem Vektorraum näher beieinander angeordnet.

Wenn ein Benutzer eine Suche durchführt, wird seine Abfrage (die ein Text in natürlicher Sprache, ein Bild usw. sein kann) ebenfalls mit demselben ML-Modell in eine Einbettung umgewandelt. Das System wendet dann Vektorsuchtechniken an, die oft von spezialisierten Vektordatenbanken wie Pinecone oder Milvus unterstützt werden, um effizient Elemente in seinem Index zu finden, deren Einbettungen der Abfrageeinbettung am nächsten kommen (am ähnlichsten sind). Diese Ähnlichkeit wird in der Regel anhand von Abstandsmetriken wie Kosinusähnlichkeit oder euklidischer Abstand gemessen. Fortgeschrittene Deep-Learning-Modelle (DL), einschließlich Architekturen wie Transformatoren (z. B. BERT), werden häufig verwendet, um diese leistungsstarken, kontextabhängigen Einbettungen zu erzeugen. Große Suchmaschinen wie Google Search nutzen schon seit Jahren semantisches Verständnis, um die Qualität der Ergebnisse über die einfache Häufigkeit von Schlüsselwörtern hinaus zu verbessern.

Anwendungen der semantischen Suche

Die semantische Suche verbessert verschiedene Anwendungen, bei denen das Verständnis der Benutzerabsicht oder des Datenkontexts entscheidend ist:

• Verbesserte Websuche: Die Suche geht über Schlüsselwörter hinaus, um das Thema und die Absicht hinter einer Suche zu verstehen (z. B. liefert die Suche nach "bester Ort, um Nordlichter im Winter zu sehen" Ergebnisse über bestimmte Orte und ideale Zeiten, nicht nur Seiten, die genau diese Wörter enthalten).
• Entdeckung von Produkten im elektronischen Handel: Ermöglicht es den Nutzern, mit Hilfe einer beschreibenden, natürlichen Sprache nach Produkten zu suchen (z. B. nach "bequemen Schuhen für das ganztägige Stehen", anstatt bestimmte Marken oder Produktnamen kennen zu müssen). Dies wird häufig mit Empfehlungssystemen kombiniert.
• Internes Wissensmanagement: Ermöglicht es den Mitarbeitern eines Unternehmens, relevante Dokumente, Berichte oder Fachwissen zu finden, indem sie auf der Grundlage von Konzepten und Bedeutungen suchen und so den Informationszugang in Tools wie Ultralytics HUB verbessern.
• Chatbots für den Kundensupport: Unterstützung von Chatbots und virtuellen Assistenten, um Nutzerfragen besser zu verstehen und genauere Antworten oder relevante Hilfeartikel zu liefern, wobei häufig große Sprachmodelle (LLMs) zum Einsatz kommen.
• Empfehlung von Inhalten: Vorschlagen von Artikeln, Videos oder Musik auf der Grundlage semantischer Ähnlichkeit mit Inhalten, mit denen der Nutzer zuvor interagiert hat. Plattformen wie Spotify verwenden ähnliche Konzepte.
• Datenerforschung: Tools wie das Ultralytics Explorer Dashboard können die semantische Ähnlichkeit nutzen, um den Benutzern beim Navigieren und Verstehen großer Datensätze zu helfen, einschließlich der in der Computer Vision (CV) verwendeten Bilddatensätze. So können beispielsweise Bilder gefunden werden, die einem ausgewählten Bild in einem Datensatz wie COCO semantisch ähnlich sind.

Semantische Suche im Vergleich zu verwandten Konzepten

Es ist hilfreich, die semantische Suche von verwandten Begriffen zu unterscheiden:

• Schlüsselwortsuche: Bei diesem traditionellen Ansatz werden die wörtlichen Wörter oder Ausdrücke in einer Anfrage mit Dokumenten verglichen, die genau diese Begriffe enthalten. Es fehlt das Verständnis für Synonyme, den Kontext oder die Absicht des Benutzers. Die semantische Suche zielt darauf ab, diese Einschränkungen zu überwinden.
• Vektorsuche: Hierbei handelt es sich um eine Methode zum Auffinden ähnlicher Elemente auf der Grundlage der Nähe ihrer Vektoreinbettungen. Während die Vektorsuche eine Kernkomponente vieler moderner semantischer Suchimplementierungen ist (für den effizienten Teil der Suche), ist die semantische Suche ein umfassenderes Konzept, das in erster Linie das Verständnis der Bedeutung und des Kontexts der Abfrage und der Daten einschließt, oft durch ausgefeilte NLP-Modelle.
• Wissensdiagramm: Ein Wissensgraph strukturiert Informationen als Entitäten und Beziehungen. Er kann die semantische Suche erheblich verbessern, indem er strukturierten Kontext liefert und komplexe Schlussfolgerungen ermöglicht(SPARQL-Abfragen sind hier üblich), aber die semantische Suche kann auch direkt auf unstrukturierten Daten unter Verwendung von Einbettungen ohne explizite Graphenstruktur arbeiten. Es handelt sich um komplementäre Technologien.
• Erkennung von benannten Entitäten (NER): NER identifiziert bestimmte Entitäten (wie Namen, Orte, Organisationen) in Texten. Sie kann ein Schritt innerhalb einer NLP-Pipeline sein, der in die semantische Suche einfließt, indem er Schlüsselkonzepte extrahiert, aber sie ist nicht die semantische Suche selbst, die sich auf die allgemeine Bedeutung und Ähnlichkeit konzentriert.

Die semantische Suche spielt eine entscheidende Rolle bei der Schaffung intelligenterer und benutzerfreundlicherer KI-Systeme. Sie überbrückt die Kluft zwischen menschlicher Sprache und maschinellem Verständnis für einen effektiveren Informationszugang und eine effektivere Interaktion in verschiedenen Bereichen, von der alltäglichen Websuche bis hin zu spezialisierten KI-Anwendungen wie denjenigen, die mit Ultralytics YOLO-Modellen für die visuelle Suche oder die Analyse innerhalb von Ultralytics HUB erstellt wurden.