Vector Search

Die Vektorsuche ist eine fortschrittliche Methode zum Abrufen von Informationen. Sie identifiziert ähnliche Elemente innerhalb eines Datensatzes anhand ihrer mathematischen Eigenschaften statt anhand exakter Übereinstimmungen von Schlüsselwörtern. Im Gegensatz zur herkömmlichen Schlüsselwortsuche, die sich darauf stützt, bestimmte Zeichenfolgen zu finden, analysiert die Vektorsuche die zugrunde liegende semantische Bedeutung der Daten. Diese Technik ist grundlegend für moderne Anwendungen der künstlichen Intelligenz (AI), da sie Computern ermöglicht, Beziehungen zwischen abstrakten Konzepten zu verstehen und unstrukturierte Daten wie Bilder, Audiodateien und natürliche Sprachtexte mit bemerkenswerter Genauigkeit zu verarbeiten.

So funktioniert die Vektorsuche#

Im Kern werden bei der Vektorsuche Rohdaten in hochdimensionale numerische Vektoren umgewandelt, die als Embeddings bezeichnet werden. Dieser Prozess ordnet Elemente Punkten in einem mehrdimensionalen Raum zu, in dem konzeptionell ähnliche Elemente nahe beieinander liegen.

1. Vektorisierung: Ein Modell für Deep Learning (DL) verarbeitet die Eingabedaten – beispielsweise ein Bild eines Hundes – und gibt einen Merkmalsvektor aus. Fortschrittliche Modelle wie YOLO26 werden häufig verwendet, um diese aussagekräftigen Merkmalsrepräsentationen effizient zu erzeugen.

2. Indizierung: Damit Suchvorgänge schnell ausgeführt werden können, werden diese Vektoren mithilfe spezieller Algorithmen organisiert und häufig in einer dedizierten Vektordatenbank gespeichert.

3. Ähnlichkeitsberechnung: Wenn ein Benutzer eine Anfrage sendet, wandelt das System diese Anfrage in einen Vektor um und misst die Entfernung zu den gespeicherten Vektoren mithilfe von Metriken wie Kosinusähnlichkeit oder euklidischer Distanz.

4. Abruf: Das System gibt die „nächsten Nachbarn“ zurück, die die kontextuell relevantesten Ergebnisse darstellen.

Python-Beispiel: Embeddings erzeugen#

Um eine Vektorsuche zu implementieren, musst du deine Daten zunächst in Vektoren umwandeln. Das folgende Codebeispiel zeigt, wie du mithilfe des Pakets ultralytics und eines vortrainierten YOLO26-Modells Merkmalskarten und Embeddings aus einem Bild erzeugst.

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}")

Anwendungen in der Praxis#

Die Vektorsuche ist der Motor hinter vielen intuitiven Funktionen im heutigen Softwareökosystem und schließt die Lücke zwischen Computer Vision (CV) und der Absicht des Benutzers.

• Visuelle Empfehlungssysteme: Im Bereich der AI im Einzelhandel ermöglicht die Vektorsuche Funktionen wie „Look kaufen“. Wenn einem Kunden eine bestimmte Handtasche gefällt, findet das System anhand ähnlicher visueller Vektoren – passend zu Form, Textur und Stil – ähnliche Artikel und erstellt so ein personalisiertes Empfehlungssystem.
• Retrieval-Augmented Generation (RAG): Um große Sprachmodelle (LLMs) zu verbessern, verwenden Entwickler die Vektorsuche, um relevante Dokumente aus einer Wissensdatenbank abzurufen. Dadurch erhält die AI zusätzlichen Kontext, was Halluzinationen reduziert und die Genauigkeit bei Interaktionen mit Chatbots verbessert.
• Anomalieerkennung: Durch das Clustern von Vektoren „normaler“ Abläufe können Systeme Ausreißer identifizieren, die weit vom Cluster abweichen. Dies ist für die Anomalieerkennung in der Qualitätskontrolle der Fertigung und für die Datensicherheit von entscheidender Bedeutung.

Verwandte Konzepte unterscheiden#

Es ist hilfreich, die Vektorsuche von ähnlichen Begriffen abzugrenzen, um die gesamte Pipeline des maschinellen Lernens (ML) zu verstehen.

• Vektorsuche vs. semantische Suche: Die semantische Suche ist die übergeordnete Anwendung zum Verstehen der Benutzerabsicht (das „Was“). Die Vektorsuche ist die spezifische algorithmische Methode, mit der dieses Ziel durch die Berechnung der Nähe von Vektoren erreicht wird (das „Wie“).
• Vektorsuche vs. Vektordatenbank: Eine Vektordatenbank ist die Infrastruktur, die zum Speichern und Verwalten von Embeddings in großem Maßstab entwickelt wurde. Die Vektorsuche ist der Prozess, bei dem diese Datenbank abgefragt wird, um Informationen abzurufen.
• Vektorsuche vs. Schlüsselwortsuche: Die Schlüsselwortsuche findet exakte Textzeichenfolgen (z. B. entspricht „apple“ genau „apple“). Die Vektorsuche findet Bedeutungen, sodass „apple“ auch „fruit“ oder „red“ entsprechen kann, selbst wenn sich die Wörter unterscheiden.

Integration in die Ultralytics Platform#

Für Teams, die Systeme für die Ähnlichkeitssuche entwickeln, sind die Verwaltung von Datensätzen und das Training von Embedding-Modellen ein entscheidender erster Schritt. Die Ultralytics Platform vereinfacht diesen Workflow durch Tools für Datenverwaltung, Training in der Cloud und die Bereitstellung von Modellen. Indem du sicherstellst, dass deine Basismodelle – ob für Objekterkennung oder Klassifizierung – leistungsstark sind, stellst du sicher, dass die resultierenden Vektoren genaue und aussagekräftige Suchergebnisse liefern.