Cosine Similarity

La somiglianza del coseno è una metrica matematica fondamentale utilizzata nel machine learning (ML) e nell'artificial intelligence (AI) per misurare quanto due multi-dimensional arrays o vettori siano simili, indipendentemente dalle loro dimensioni o magnitudini. Calcolando l'angolo tra due punti in uno vector space, determina se puntano all'incirca nella stessa direzione. Questo approccio angolare è fondamentale per l'elaborazione di dati in cui l'orientamento conta più della lunghezza complessiva, rendendolo estremamente efficace per il confronto di rappresentazioni di dati astratti come gli embeddings.

Comprendere la matematica alla base della metrica#

Per calcolare questa metrica, si calcola il dot product di due vettori e lo si divide per il prodotto delle loro singole magnitudes (lunghezze). Il punteggio risultante rientra sempre in un intervallo fisso da -1 a 1:

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

In molti moderni framework di deep learning progettati per la computer vision (CV), puoi accedere facilmente a funzioni ottimizzate per questa operazione matematica, come il PyTorch's functional module o le TensorFlow metrics.

Differenziare concetti correlati#

È utile distinguere la somiglianza del coseno da altre misurazioni di data analytics comunemente usate per capire quando utilizzarla:

• Cosine Distance: sebbene strettamente correlati, questi termini sono inversamente proporzionali. La distanza del coseno viene semplicemente calcolata come 1 meno la somiglianza del coseno. Pertanto, una distanza inferiore indica una maggiore somiglianza tra i vettori.
• Distanza euclidea: questa metrica misura la distanza fisica in linea retta tra due punti, rendendola altamente sensibile alla dimensione o alla magnitudine complessiva dei vettori. Al contrario, la similarità del coseno si preoccupa solo dell'angolo. Ad esempio, nell'analisi del testo, un documento lungo e una frase breve potrebbero avere una grande distanza euclidea, ma se condividono lo stesso argomento, la loro similarità del coseno rimarrà alta.

Applicazioni reali nell'IA#

La similarità del coseno funge da motore centrale per numerosi prodotti software moderni, colmando il divario tra dati grezzi e intento umano.

• Vector Search and RAG: Nelle applicazioni di Natural Language Processing (NLP) come i chatbot, le query degli utenti e i documenti interni vengono convertiti in embeddings densi. Il sistema calcola rapidamente la somiglianza del coseno per recuperare i documenti più rilevanti dal punto di vista contestuale da un vector database, un passaggio cruciale nella Retrieval-Augmented Generation (RAG).
• Recommendation Systems: L'e-commerce e i servizi di streaming utilizzano strumenti come Scikit-learn and SciPy per rappresentare le preferenze degli utenti e gli articoli del catalogo come vettori. Misurando il punteggio di somiglianza tra il profilo di un acquirente e diversi prodotti, i sistemi possono consigliare accuratamente articoli correlati visivamente o tematicamente.

Misurare la similarità visiva con Ultralytics#

Puoi estrarre vettori di feature ad alta dimensionalità direttamente dai dati visivi utilizzando modelli di visione all'avanguardia. Il seguente codice Python dimostra come caricare un modello Ultralytics YOLO26 per l'image classification, generare embeddings per due immagini ed eseguire un calcolo della somiglianza del coseno per misurare la loro 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 mirano a scalare queste capacità di semantic search, l'addestramento di modelli base estremamente accurati è fondamentale. La Ultralytics Platform semplifica questa pipeline offrendo strumenti robusti per la data annotation, l'addestramento cloud scalabile e il model deployment senza interruzioni, garantendo che i tuoi embeddings sottostanti siano il più accurati e significativi possibile.