시맨틱 검색

시맨틱 검색은 문자 그대로의 키워드 매칭을 넘어서서 사용자의 검색어 뒤에 숨겨진 의도와 문맥적 의미를 이해합니다. 고급 자연어 처리(NLP) 정교한 머신 러닝(ML) 알고리즘을 활용하여 기술은 인간의 언어와 기계의 이해 사이의 간극을 메웁니다. 이는 최신 인공 지능(AI) 시스템, 소스 데이터에서 정확한 용어가 누락된 경우에도 관련성이 높은 결과를 검색할 수 있게 해줍니다.

시맨틱 검색의 작동 방식

시맨틱 검색의 핵심 메커니즘은 텍스트, 이미지, 오디오와 같은 비정형 데이터를 임베딩이라고 하는 임베딩이라고 하는 고차원 숫자 벡터로 변환하는 것입니다. 이러한 벡터는 다차원 의미 공간에 배치되어 비슷한 의미를 가진 항목들이 밀접한 공간적 관계를 나타냅니다.

예를 들어, 시맨틱 시스템에서 "고양이 동반자"를 검색하면 딥 러닝 모델이 "고양이" 또는 "새끼 고양이"에 가깝게 매핑될 수 있는데, 딥 러닝 모델 은 개념적 관계를 이해하기 때문에 '고양이'나 '새끼 고양이'에 가깝게 매핑되지만, 기존의 어휘 검색 엔진은 특정 단어인 "고양이"가 대상 문서에 나타나지 않으면 실패할 수 있습니다. 이 프로세스는 종종 다음과 같은 벡터 데이터베이스에 의존하는 경우가 많습니다. Milvus 또는 Pinecone과 같은 벡터 데이터베이스를 사용하여 이러한 임베딩을 임베딩을 효율적으로 저장하고 검색합니다.

다음 Python 코드는 이미지에서 기능 임베딩을 생성하는 방법을 보여줍니다. ultralytics 패키지를 설치합니다. 이것은 시각적 시맨틱 검색 시스템을 구축하는 첫 번째 단계입니다.

from ultralytics import YOLO

# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

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

# Print the shape of the embedding vector to verify output
print(f"Embedding vector shape: {results[0].shape}")

실제 애플리케이션

시맨틱 검색은 정보 검색을 더욱 직관적이고 효과적으로 만들어 다양한 산업에 변화를 가져왔습니다.

• 이커머스 및 시각적 발견: 온라인 리테일러는 시맨틱 검색을 활용하여 고객 경험을 개선합니다. 쇼핑객이 다음과 같이 검색할 수 있습니다. "여름 꽃무늬 드레스"를 검색하면, 제품 설명에 해당 키워드가 없더라도 시스템에서 관련성 있는 시각적 검색 결과 에 정확한 키워드가 없더라도 관련성이 높은 시각적 일치 항목을 반환할 수 있습니다. 이는 종종 다음을 활용합니다. 텍스트와 이미지 쿼리를 동시에 처리할 수 있는 멀티모달 모델 텍스트와 이미지 쿼리를 동시에 처리할 수 있는 멀티모달 모델을 활용하기도 합니다.
• 지식 관리 및 RAG: 기업 환경에서 직원들은 종종 파일 이름이 아닌 개념을 기반으로 개념에 따라 문서를 검색하는 경우가 많습니다. 시맨틱 검색 기능 검색 증강 세대(RAG)는 AI가 문맥과 관련된 정보를 검색하여 복잡한 질문에 답하는 기능으로, 대규모 언어 모델 (LLM )의 기능을 향상시킵니다. 대규모 언어 모델(LLM)의 기능을 강화합니다.
• 콘텐츠 추천: 스트리밍 서비스 및 콘텐츠 플랫폼은 시맨틱 이해를 사용하여 추천 시스템을 구축합니다. 사용자가 즐기는 콘텐츠의 의미론적 특징을 사용자가 즐기는 콘텐츠의 의미적 특징을 분석하여 개념적으로 유사한 영화나 기사를 제안할 수 있습니다, 사용자의 참여를 유도할 수 있습니다.

시맨틱 검색 vs. 관련 개념

시맨틱 검색을 다른 정보 검색 용어와 구별하여 AI 환경에서 시맨틱 검색의 구체적인 역할을 이해하는 것이 중요합니다. 역할을 이해하는 것이 중요합니다.

• 벡터 검색: 벡터 검색은 시맨틱 검색을 실행하는 데 사용되는 수학적 방법입니다. 여기에는 벡터 사이의 벡터 사이의 거리( 코사인 유사도 같은 메트릭을 사용하여) 벡터 사이의 거리를 계산하여 가장 가까운 이웃을 찾습니다. 시맨틱 검색은 의도에 대한 이해를 포괄하는 보다 광범위한 응용 프로그램입니다.
• 키워드 검색: 정확한 문자열 매칭에 의존하는 전통적인 접근 방식입니다. 계산 비용이 저렴하지만 동의어 또는 다의어(여러 의미를 가진 단어)를 이해하는 기능이 부족합니다. 의미를 가진 단어).
• 제로 샷 학습: 학습 중에 이전에 본 적이 없는 항목을 인식하거나 분류하는 모델의 능력을 말합니다. 시맨틱 검색 엔진은 명시적인 재학습 없이도 새로운 쿼리를 기존 시맨틱 클러스터에 매핑할 수 있기 때문입니다.
• 자연어 이해(NLU): NLU는 기계 독해에 초점을 맞춘 NLP의 하위 집합입니다. NLU는 쿼리를 해석하는 인텔리전스를 제공하지만 지능을 제공하는 반면, 시맨틱 검색은 그 해석에 따라 작동하는 검색 프로세스입니다.

시맨틱 검색은 경직된 키워드 매칭을 넘어서서 컴퓨터 비전 및 텍스트 기반 시스템이 보다 자연스럽고 "인간과 같은" 방식으로 인간과 상호 작용할 수 있습니다. 이러한 기능을 구현하고자 하는 개발자를 위해 기능을 구현하려는 개발자를 위해 Ultralytics 유사도 검색 가이드는 이러한 개념을 적용하기 위한 실용적인 단계를 제공합니다. YOLO11.