セマンティック検索

セマンティック検索は、ユーザーのクエリの背後にある意図とコンテキスト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あり、単にキーワードを照合するだけではありません。従来のリテラルな用語のマッチングに依存する検索エンジンとは異なり、セマンティック検索は自然言語処理（NLP）と機械学習（ML）を使用して、より関連性の高い正確な結果を提供します。その目標は、人間の言語とコンピューターが簡単に処理できる構造化されたデータの間のギャップを埋め、より直感的で効果的な検索エクスペリエンスにつながることです。

この技術は、テキストや画像などの非構造化データを埋め込みと呼ばれる数値表現に変換することで実現されています。OpenAIのCLIP（Contrastive Language-Image Pre-Training）やGoogleのBERTなどのモデルは、コンテンツのセマンティックな本質を捉えるこれらの埋め込みを生成するようにトレーニングされています。データがベクトルとして表現されると、ベクトルデータベース（MilvusやWeaviateなど）は、MetaのFAISSのような特殊なアルゴリズムを使用して、迅速かつ効率的な類似性検索を実行します。

実際のアプリケーション

セマンティック検索は、さまざまな分野でデジタル情報とのやり取りをどのように変革してきたか。2つの著名な例を次に示します。

1. セマンティック画像検索: クリエイティブ分野や大規模な画像データセットの管理において、ユーザーは抽象的な概念に基づいて画像を検索する必要があることがよくあります。たとえば、グラフィックデザイナーが「夕暮れ時の平和で孤立したビーチ」を検索する場合があります。従来のシステムでは、画像に細心の注意を払ってタグが付けられていない限り、このクエリに苦労するでしょう。Ultralyticsが提供するようなセマンティック検索システムは、画像の内容自体を分析し、ファイル名やタグに頼らずに、記述された雰囲気や要素に一致するビジュアルを返します。これの実装の詳細については、類似性検索ガイドをご覧ください。
2. Eコマースの商品発見： オンライン小売業者は、セマンティック検索を活用してショッピング体験を向上させています。顧客は、特定の商品名ではなく、「雪の降る冬のための暖かいブーツ」を検索するかもしれません。検索エンジンは、「暖かい」と「雪の降る」という概念を理解し、たとえそれらの正確なキーワードが製品の説明になくても、断熱された防水ブーツのような製品を推奨できます。これは、Forbesの業界専門家が説明するように、顧客満足度を高め、売上を向上させます。

セマンティック検索と関連概念

セマンティック検索を、AIおよびデータサイエンスにおけるいくつかの関連用語と区別することが重要です。

• キーワード検索: これは、クエリ内のリテラルワードをドキュメントに一致させる従来のメソッドです。シノニム、コンテキスト、またはユーザーの意図を理解できません。これらは、セマンティック検索のコアな強みです。
• ベクトル検索: これは、ベクトル埋め込みの近接性を計算することにより、類似のアイテムを見つける方法を指します。ベクトル検索は、最新のセマンティック検索システムの最も重要なコンポーネントですが、セマンティック検索は、Cohereのような企業からの高度な自然言語処理モデルを通じて意味を理解する初期段階も含む、より広範な概念です。
• Knowledge Graph（ナレッジグラフ）: ナレッジグラフは、情報をエンティティとそれらの関係として構造化します。Google Knowledge Graphに見られるように、構造化されたコンテキストを提供することで、セマンティック検索を大幅に強化できます。ただし、セマンティック検索は、埋め込みのみを使用して非構造化データで直接動作することもでき、2つのテクノロジーを補完します。
• 固有表現認識（NER）: NERは、テキスト内の名前、場所、組織などの特定のエンティティを識別するNLPのサブタスクです。セマンティック検索システムにキーコンセプトを入力するために、NLPパイプラインの前処理ステップとして使用できますが、検索プロセス自体ではありません。

セマンティック検索は、よりインテリジェントでユーザーフレンドリーなシステムを可能にする、最新のAIソリューションの基礎です。このテクノロジーは、日常的なウェブ検索から、AIアプリケーション、Ultralytics YOLOモデルで構築され、Ultralytics HUBのようなプラットフォームを通じて管理されるビジュアル検索まで、あらゆるものを強化します。