Hybrid Search

従来のキーワードマッチングの精度と、最新AIの文脈理解を組み合わせるこの検索手法は、スパースおよびデンスなデータ表現の両方を活用して情報を取得し、ランキングします。標準的な検索エンジンが完全一致するキーワード（字句検索と呼ばれます）に全面的に依存し、ベクトル検索エンジンが意味的類似性のみに依存するのに対し、ハイブリッド検索エンジンはこの2つの手法を組み合わせ、高精度で文脈を考慮した結果を提供します。

仕組み#

一般的なハイブリッド検索パイプラインでは、2種類の検索手法を同時に実行し、それぞれの出力を統合して最適化された単一のランキングを作成します。

• 字句（スパース）検索：BM25などのアルゴリズムを使用し、用語の出現頻度に基づいてキーワードの完全一致をスコアリングします。これは、純粋なセマンティックモデルでは特定が難しい特定のエンティティ、略語、製品SKU、専門用語を検索するうえで重要です。
• セマンティック（デンス）検索：AIモデルを使用して高次元の数値配列を生成し、クエリの深い意味と文脈を理解します。これにより、検索クエリに完全一致する単語が含まれていなくても、システムは関連する結果を見つけられます。

両方の手法で候補結果を取得した後、統合アルゴリズム（最も一般的なのは逆順位融合（RRF））でリストを結合します。RRFは、それぞれのスパースおよびデンスな結果セットにおける各項目の順位に基づいて、新たなスコアを算出します。これにより、どちらか一方または両方の検索で上位にランクされたドキュメントが先頭に表示され、幅広い文脈上の一致と正確なキーワード一致のバランスが取れます。

現実世界におけるAIとMLの活用例#

最新のAIアーキテクチャでは、本番環境で単一の検索手法を使用することによる制約を克服するために、この技術が広く活用されています。

• ハイブリッドRAG（検索拡張生成）：エンタープライズのナレッジシステムでは、大規模言語モデル（LLM）に最も関連性の高いコンテキストを与えることが、ハルシネーションの防止に不可欠です。ハイブリッドRAG構成では、モデルが厳密な技術要件に一致するドキュメントを取得すると同時に、意味的に関連する段落も取り込めます。
• Eコマースとビジュアルな商品検索：小売業者は、商品カタログの検索にハイブリッド検索を利用します。ユーザーが「赤いランニングシューズ」と検索した場合、字句検索エンジンはブランド名やカテゴリのキーワードに完全一致する商品を見つけ、ビジョンAIモデルは画像埋め込みを使って視覚的に類似した商品を表示します。

現在、Pinecone、Qdrant、OpenSearch、pgvectorを介したPostgreSQLなど、主要なほぼすべてのベクトルデータベースが、ハイブリッド検索をネイティブでサポートしています。これにより、開発者は単一のインフラストラクチャ内でスパースなキーワードとデンスなベクトルの両方を効率的にインデックス化できます。

ハイブリッド検索向けのメタデータ生成#

コンピュータービジョンパイプラインでは、画像から意味のあるキーワードを抽出し、ハイブリッドインデックスのスパース要素を構築できます。Ultralytics YOLO26を使用すると、画像に対して自動的に物体検出を行い、検出されたクラス名をメタデータタグとして利用できます。これらのキーワードタグを画像のデンスなベクトル埋め込みと組み合わせることで、包括的なインデックスを作成できます。

from ultralytics import YOLO

# 推奨されるUltralytics YOLO26物体検出モデルを読み込みます
model = YOLO("yolo26n.pt")

# 推論を実行して画像内の物体を検出します
results = model("store_aisle.jpg")

# 予測されたクラス名を抽出し、キーワードメタデータ（スパースデータ）としてインデックス化します
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

デンスな画像埋め込みに、AIが生成した正確なスパースキーワードを付加することで、開発者はUltralytics Platformとハイブリッド検索に対応したベクトルデータベースを活用し、データの明示的なテキストタグと暗黙的な視覚的コンテキストの両方を的確に理解する、堅牢なマルチモーダル検索エンジンを構築できます。