Búsqueda vectorial

La búsqueda vectorial es una sofisticada técnica de recuperación de información que identifica elementos similares dentro de un conjunto de datos basándose en sus características matemáticas y no en la coincidencia exacta de palabras clave. en sus características matemáticas y no en la coincidencia exacta de palabras clave. Al representar los datos -como texto, imágenes o audio-como vectores numéricos de alta dimensión conocidos como este método permite a los ordenadores comprender el contexto y el el contexto y el significado semántico de una consulta. A diferencia de la búsqueda por palabras clave, que se basa en palabras concretas, la búsqueda vectorial calcula la proximidad entre elementos en un espacio multidimensional, lo que le permite devolver resultados resultados pertinentes incluso cuando el enunciado difiere. Esta capacidad es fundamental para la inteligencia artificial (IA) y inteligencia artificial (IA ) y el aprendizaje automático datos no estructurados, como los vídeos y el lenguaje el lenguaje natural.

Cómo funciona la búsqueda vectorial

El mecanismo central de la búsqueda vectorial consiste en transformar los datos brutos en un formato numérico que permita realizar búsquedas. Este proceso se basa en modelos de aprendizaje profundo la extracción de características, convirtiendo incrustaciones vectoriales.

1. Vectorización: Un modelo ML, como el de última generación YOLO11procesa una imagen o un texto y genera un vector, una una larga lista de números que representa las características del elemento (por ejemplo, formas, colores o conceptos semánticos).
2. Indexación: Estos vectores se organizan eficazmente, a menudo en una base de datos base de datos de vectores, para permitir una rápida recuperación.
3. Cálculo de similitudes: Cuando un usuario envía una consulta, el sistema convierte la consulta en un vector y mide su distancia a los vectores almacenados utilizando métricas como similitud coseno o distancia euclidiana.
4. Recuperación: El sistema identifica y devuelve los "vecinos más cercanos", o los vectores que matemáticamente más cercanos a la consulta, a menudo utilizando Vecino más próximo aproximado (RNA) para escalar en grandes conjuntos de datos.

Aplicaciones en el mundo real

La búsqueda vectorial impulsa muchas de las funciones inteligentes con las que los usuarios interactúan a diario y que abarcan diversos sectores, desde el comercio electrónico hasta la seguridad. desde el comercio electrónico hasta la seguridad.

• Descubrimiento visual en el comercio minorista: En AI en el comercio minorista, la búsqueda vectorial potencia las funciones "shop the look". Si un usuario sube una foto de una zapatilla, el sistema utiliza visión por ordenador para generar una incrustación y encuentra productos visualmente similares en el catálogo. sistema de recomendación basado en el estilo que en los nombres de los productos.
• Moderación de contenidos y seguridad: Las plataformas utilizan la búsqueda vectorial para detección de anomalías mediante la comparación con una base de datos de contenidos ilícitos conocidos o amenazas a la seguridad. Al cotejar las características semánticas de una imagen o imagen o un fotograma de vídeo, el sistema puede detectar contenidos potencialmente nocivos aunque hayan sido ligeramente alterados, lo que mejora la seguridad de los datos. la seguridad de los datos.

Ejemplo Python : Generación de incrustaciones

El primer paso en cualquier proceso de búsqueda vectorial es generar las incrustaciones. El siguiente fragmento de código muestra cómo producir vectores de características a partir de una imagen utilizando el método Ultralytics Python y un modelo preentrenado.

from ultralytics import YOLO

# Load the official YOLO11 model
model = YOLO("yolo11n.pt")

# Generate embeddings for an image file or URL
# The 'embed' method returns the high-dimensional feature vector
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}")

Búsqueda vectorial vs. Conceptos relacionados

Para aplicar eficazmente estos sistemas, es útil distinguir la búsqueda vectorial de términos estrechamente relacionados en el ámbito de la ciencia de datos. de la ciencia de datos.

• Búsqueda vectorial frente a búsqueda semántica: La búsqueda semántica es el concepto más amplio de comprender la intención y el significado del usuario. La búsqueda vectorial es el método vectorial es el método específico utilizado para lograrlo mediante el cálculo de la proximidad matemática de los vectores. Mientras que la búsqueda semántica describe el "qué" (encontrar el significado), la búsqueda vectorial describe el "cómo" (utilizando incrustaciones y métricas de distancia). métricas de distancia).
• Búsqueda vectorial frente a base de datos vectorial: Una base de datos vectorial es la infraestructura especializada utilizada para almacenar e indexar incrustaciones. La búsqueda vectorial es la acción o el proceso de consultar esa base de datos para encontrar elementos similares. Se utiliza una base de datos vectorial para realizar una búsqueda vectorial de forma eficiente.
• Búsqueda vectorial vs. Procesamiento del Lenguaje Natural (PLN): El PLN se centra en la interacción entre los ordenadores y el lenguaje humano. Mientras que los modelos de PNL (como Transformers) de texto, la búsqueda vectorial es el mecanismo de recuperación que actúa sobre esas incrustaciones. incrustaciones.

Aprovechando la velocidad de inferencia en tiempo real y la profundidad de aprendizaje profundo, la búsqueda vectorial permite que las aplicaciones vayan más allá de las bases de datos rígidas y ofrezcan experiencias de descubrimiento intuitivas, experiencias de descubrimiento intuitivas y humanas. Ya sea implementando la detección de objetos para el inventario o la creación de un chatbot con contexto mejorado, la búsqueda vectorial es una herramienta fundamental para los desarrolladores modernos de IA.