Semantic Search

セマンティック検索は、単に特定の単語を一致させるのではなく、ユーザーのクエリの意図と文脈上の意味を理解することを目的とした、高度な情報検索技術です。Natural Language Processing (NLP) および Machine Learning (ML) の進歩を活用することで、この技術によりシステムは人間味のあるニュアンスで自然言語を解釈できるようになります。これは現代の Artificial Intelligence (AI) アプリケーションの基礎であり、曖昧なユーザーのクエリと関連データの間のギャップを埋めることで、人間と機械の間でより直感的なインタラクションを可能にします。

セマンティック検索の仕組み#

その核心において、セマンティック検索は、概念間の関係を分析するために、単なる文字通りの一致を超えて機能します。従来の検索エンジンは、ユーザーが「ネコ科」と検索した一方で、ドキュメントに「猫」という単語しか含まれていない場合に失敗する可能性があります。セマンティック検索は、テキスト、画像、音声などのunstructured dataを、embeddingsと呼ばれる数学的表現に変換することで、この問題を解決します。

これらの埋め込みは、「セマンティック空間」に配置された高次元ベクトルです。この空間では、同様の意味を持つアイテムが互いの近くに配置されます。たとえば、「車」のベクトルは、「バナナ」よりも「自動車」や「道路」の数学的に近くに位置します。ユーザーがクエリを送信すると、システムはそのクエリをベクトルに変換し、vector database内で最も近いデータポイントを見つけます。このプロセスは、データの重要な特徴を特定するfeature extractionを実行するために、deep learningモデルに依存しています。

次のPythonコードは、ビジュアルセマンティック検索を有効にするための基礎的なステップである、Ultralytics YOLO26モデルを使用してこれらの埋め込みを生成する方法を示しています。

from ultralytics import YOLO

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

# Generate feature embeddings for an image
# This converts the visual content into a numerical vector
results = model.embed("https://ultralytics.com/images/bus.jpg")

# Output the shape of the embedding vector (e.g., length 1280)
print(f"Embedding vector shape: {results[0].shape}")

実社会での応用#

セマンティック検索は、さまざまな分野における情報の発見方法に革命をもたらし、システムをよりスマートで効率的なものにしています。

• Eコマースとビジュアルディスカバリー： AI in retailの世界において、セマンティック検索は「ショップザルック」機能を支えています。顧客がスニーカーの写真をアップロードしたり、「ヴィンテージな夏の雰囲気」と検索したりすることがあります。システムはcomputer visionを使用してビジュアルスタイルを理解し、たとえ商品記述にそれらの正確なキーワードが含まれていなくても、美学に一致する商品を抽出します。これには多くの場合、テキストと画像の両方の入力を理解できるMulti-Modal Modelsが関係しています。
• ナレッジマネジメントとRAG： 大企業では、従業員が社内文書を見つけやすくするためにセマンティック検索が使用されています。正確なファイル名を覚えている代わりに、従業員は「サーバーをリセットするにはどうすればよいですか？」といった質問をすることができます。システムは、意味に基づいて最も関連性の高いポリシー文書を見つけるためにRetrieval-Augmented Generation (RAG)を使用し、それらをLarge Language Model (LLM)に供給して正確な回答を生成します。
• コンテンツのレコメンデーション： ストリーミングプラットフォームは、recommendation systemを改善するためにセマンティックな理解を活用します。ユーザーが気に入った映画のプロットの要約やビジュアルのfeature mapsを分析することで、プラットフォームは同様のテーマやムードを共有する他のタイトルを提案し、ユーザーのエンゲージメントを長く維持できます。

セマンティック検索と関連概念の比較#

セマンティック検索の有用性を完全に把握するには、data scienceの領域における関連用語と区別することが役立ちます。

• Vector Search： これらはしばしば互換的に使用されますが、技術的な違いが存在します。ベクトル検索は、ベクトル間の距離を計算する数学的メソッドです（多くの場合、cosine similarityを使用します）。セマンティック検索は、ユーザーの意図を理解するという目的を達成するためにベクトル検索を使用する、より広範なアプリケーションです。
• キーワード検索： これは、正確な文字列の一致に依存する従来の方法です。計算コストは安価ですが、柔軟性に欠けています。synonymsや多義性（複数の意味を持つ単語）に対して苦戦します。セマンティック検索はより多くの計算能力を必要としますが、大幅に高い関連性を提供します。
• Zero-Shot Learning： これは、モデルがトレーニング中に見たことのないデータを分類する能力を指します。セマンティック検索エンジンは、再トレーニングを行わずに、埋め込み空間内の既知の概念の既存のクラスターに、新しく未見のクエリをマッピングできるため、多くの場合ゼロショットの機能を発揮します。

セマンティック検索を実装するには、通常、データセットとモデルのトレーニングを管理するための堅牢なパイプラインが必要です。Ultralytics Platformは、データにアノテーションを付け、モデルをトレーニングし、それらを効率的にデプロイするためのツールを提供することで、これを簡素化します。これらのシステムを構築しようとしている開発者にとって、Ultralytics similarity search guideを探索することは、これらの強力な機能をアプリケーションに統合するための実践的な手順を提供します。