Hybrid Search

Combinando la precisione della tradizionale corrispondenza di parole chiave con la comprensione contestuale dell'IA moderna, questa metodologia di ricerca recupera e classifica le informazioni sfruttando rappresentazioni di dati sia sparse che dense. Mentre un motore di ricerca standard si basa interamente su corrispondenze esatte di parole chiave (nota come ricerca lessicale) e i motori di ricerca vettoriali si affidano puramente alla similarità semantica, un motore di ricerca ibrido unisce questi due approcci per fornire risultati altamente accurati e consapevoli del contesto.

Link to this sectionCome funziona#

Una tipica pipeline di ricerca ibrida esegue due distinti metodi di recupero simultaneamente, fondendo i loro output in una classificazione singola e ottimizzata:

• Ricerca lessicale (sparsa): utilizza algoritmi come BM25 per assegnare un punteggio alle corrispondenze esatte di parole chiave basandosi sulla frequenza dei termini. Questo è cruciale per recuperare entità specifiche, acronimi, SKU di prodotti o gergo specialistico che un modello puramente semantico potrebbe avere difficoltà a identificare.
• Ricerca semantica (densa): genera array di numeri ad alta dimensionalità utilizzando modelli IA per comprendere il significato più profondo e il contesto di una query. Ciò consente al sistema di trovare risultati rilevanti anche se le parole esatte mancano nella query di ricerca.

Una volta che entrambi i metodi recuperano i loro risultati candidati, un algoritmo di fusione—più comunemente Reciprocal Rank Fusion (RRF)—combina le liste. RRF calcola un nuovo punteggio basato sul rango di ogni elemento nei rispettivi set di risultati sparsi e densi. Ciò garantisce che i documenti con un rango elevato in una o in entrambe le ricerche salgano in cima, bilanciando ampie corrispondenze contestuali con un'accurata precisione delle parole chiave.

Link to this sectionApplicazioni reali di AI e ML#

Le moderne architetture IA si affidano pesantemente a questa tecnica per superare i limiti dell'utilizzo di un singolo metodo di recupero in ambienti di produzione.

• RAG ibrida (Retrieval-Augmented Generation): nei sistemi di conoscenza aziendale, fornire a un Large Language Model (LLM) il contesto più rilevante è fondamentale per prevenire allucinazioni. Una configurazione RAG ibrida garantisce che il modello recuperi documenti che corrispondono a vincoli tecnici esatti, estraendo al contempo paragrafi semanticamente correlati.
• E-commerce e visual product discovery: i rivenditori utilizzano la ricerca ibrida per gestire i cataloghi prodotti. Un utente potrebbe cercare "scarpe da corsa rosse". Il motore lessicale trova le corrispondenze esatte del brand o delle parole chiave di categoria, mentre un modello di visione artificiale usa gli embedding delle immagini per far emergere articoli visivamente simili.

Oggi, quasi ogni importante database vettoriale—inclusi Pinecone, Qdrant, OpenSearch e PostgreSQL tramite pgvector—supporta nativamente la ricerca ibrida. Ciò consente agli sviluppatori di indicizzare in modo efficiente sia parole chiave sparse che vettori densi in un'unica infrastruttura.

Link to this sectionGenerazione di metadati per la ricerca ibrida#

Nelle pipeline di computer vision, puoi estrarre parole chiave significative dalle immagini per costruire la componente sparsa di un indice ibrido. Usando Ultralytics YOLO26, puoi eseguire automaticamente il rilevamento oggetti su un'immagine e utilizzare quei nomi delle classi come tag di metadati. Questi tag di parole chiave possono quindi essere accoppiati con gli embedding vettoriali densi dell'immagine per un'indicizzazione completa.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 object detection model
model = YOLO("yolo26n.pt")

# Run inference to detect objects in an image
results = model("store_aisle.jpg")

# Extract predicted class names to be indexed as keyword metadata (sparse data)
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

Arricchendo gli embedding densi delle immagini con precise parole chiave sparse generate dall'IA, puoi sfruttare la Ultralytics Platform e i database vettoriali compatibili con la ricerca ibrida per costruire solidi motori di ricerca multimodali che comprendono perfettamente sia i tag testuali espliciti che il contesto visivo implicito dei tuoi dati.