Somiglianza cosinusoidale

La similarità cosinusoidale è una metrica matematica fondamentale utilizzata nell' apprendimento automatico (ML) e nell' intelligenza artificiale (AI) per misurare quanto siano simili due matrici multidimensionali o vettori, indipendentemente dalle loro dimensioni o grandezza. Calcolando l'angolo tra due punti in uno spazio vettoriale, determina se puntano approssimativamente nella stessa direzione. Questo approccio angolare è fondamentale per l'elaborazione di dati in cui l'orientamento conta più della lunghezza complessiva , rendendolo altamente efficace per il confronto di rappresentazioni astratte dei dati come le incorporazioni.

Comprendere i calcoli alla base del sistema metrico

Per calcolare questa metrica, si calcola il prodotto scalare di due vettori e lo si divide per il prodotto delle loro singole magnitudini (lunghezze). Il punteggio risultante rientra sempre in un intervallo fisso compreso tra -1 e 1:

• Un punteggio pari a 1 significa che i vettori puntano esattamente nella stessa direzione, indicando la massima somiglianza.
• Un punteggio pari a 0 indica che i vettori sono completamente ortogonali (formano un angolo di 90 gradi), il che significa che non vi è alcuna somiglianza direzionale.
• Un punteggio di -1 significa che puntano esattamente in direzioni opposte.

In molti framework moderni di deep learning progettati per la visione artificiale (CV), è possibile accedere facilmente a funzioni ottimizzate per questa operazione matematica, come il modulo functionalPyTorch o TensorFlow .

Differenziare i concetti correlati

È utile distinguere la similarità coseno da altre misure di analisi dei dati di uso comune per capire quando utilizzarla:

• Distanza cosinusoidale: Sebbene strettamente correlati, questi termini sono inversamente proporzionali. La distanza cosinusoidale si calcola semplicemente come 1 meno la similarità cosinusoidale. Pertanto, una distanza minore indica una maggiore similarità tra i vettori.
• Distanza euclidea: questa metrica misura la distanza fisica in linea retta tra due punti, il che la rende altamente sensibile alla dimensione o all'ampiezza complessiva dei vettori. Al contrario, la similarità cosinusoidale tiene conto solo dell'angolo. Ad esempio, nell' analisi testuale, un documento lungo e una frase breve potrebbero avere una distanza euclidea elevata, ma se condividono lo stesso argomento, la loro similarità cosinusoidale rimarrà alta.

Applicazioni del mondo reale nell'IA

La similarità cosinusoidale costituisce il motore principale di numerosi prodotti software moderni, colmando il divario tra i dati grezzi e l'intenzione umana.

• Ricerca vettoriale e RAG: Nelle applicazioni di elaborazione del linguaggio naturale (NLP) come i chatbot, le query degli utenti e i documenti interni vengono convertiti in embedding densi. Il sistema calcola rapidamente la similarità cosinusoidale per recuperare i documenti più rilevanti dal punto di vista contestuale da un database vettoriale, un passo cruciale nella Generazione potenziata dal recupero (RAG).
• Sistemi di raccomandazione: I servizi di e-commerce e di streaming utilizzano strumenti come Scikit-learn e SciPy per rappresentare le preferenze degli utenti e gli articoli del catalogo sotto forma di vettori. Misurando il punteggio di somiglianza tra il profilo di un acquirente e diversi prodotti, i sistemi sono in grado di consigliare con precisione articoli correlati dal punto di vista visivo o tematico.

Misurare la somiglianza visiva con Ultralytics

È possibile estrarre vettori di caratteristiche ad alta dimensione direttamente dai dati visivi utilizzando modelli di visione all'avanguardia. Il seguente Python mostra come caricare un modello Ultralytics per la classificazione delle immagini, generare embedding per due immagini ed eseguire un calcolo della similarità cosinusoidale per misurarne la somiglianza visiva.

import torch
import torch.nn.functional as F
from ultralytics import YOLO

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

# Generate embedding vectors for two separate images
results = model.embed(["bus.jpg", "car.jpg"])

# Calculate the cosine similarity between the two visual embeddings
similarity = F.cosine_similarity(torch.tensor(results[0]), torch.tensor(results[1]), dim=0)
print(f"Visual Similarity Score: {similarity.item():.4f}")

Per gli sviluppatori che intendono potenziare queste funzionalità di ricerca semantica, l'addestramento di modelli di base altamente precisi è fondamentale. La Ultralytics semplifica questo processo offrendo strumenti affidabili per l'annotazione dei dati, l'addestramento scalabile su cloud e l'implementazione fluida dei modelli, garantendo che le vostre incorporazioni sottostanti siano il più precise e significative possibile.