Vector Search

A pesquisa vetorial é um método sofisticado de recuperação de informação que identifica itens semelhantes num conjunto de dados com base nas suas características matemáticas, em vez de correspondências exatas de palavras-chave. Ao contrário da tradicional pesquisa por palavras-chave, que depende da procura de sequências específicas de caracteres, a pesquisa vetorial analisa o significado semântico subjacente dos dados. Esta técnica é fundamental para as aplicações modernas de inteligência artificial (AI), pois permite que os computadores compreendam relações entre conceitos abstratos, processando dados não estruturados, como imagens, ficheiros de áudio e texto em linguagem natural, com uma precisão notável.

Como funciona a pesquisa vetorial#

O núcleo da pesquisa vetorial consiste em transformar dados brutos em vetores numéricos de alta dimensionalidade conhecidos como embeddings. Este processo mapeia os itens para pontos num espaço multidimensional, onde os itens conceptualmente semelhantes se encontram próximos uns dos outros.

1. Vetorização: um modelo de aprendizagem profunda (DL) processa os dados de entrada — por exemplo, uma imagem de um cão — e produz um vetor de características. Modelos avançados como o YOLO26 são frequentemente utilizados para gerar estas representações de características avançadas de forma eficiente.

2. Indexação: para realizar pesquisas rapidamente, estes vetores são organizados através de algoritmos especializados e frequentemente armazenados numa base de dados vetorial dedicada.

3. Cálculo da similaridade: quando um utilizador envia uma consulta, o sistema converte essa consulta num vetor e mede a distância até aos vetores armazenados utilizando métricas como a similaridade do cosseno ou a distância euclidiana.

4. Recuperação: o sistema devolve os "vizinhos mais próximos", que representam os resultados mais relevantes em termos de contexto.

Exemplo em Python: gerar embeddings#

Para implementar a pesquisa vetorial, tens primeiro de converter os teus dados em vetores. O seguinte trecho de código demonstra como gerar mapas de características e embeddings a partir de uma imagem utilizando o pacote ultralytics e um modelo YOLO26 pré-treinado.

from ultralytics import YOLO

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

# Generate feature embeddings for an image URL
# The 'embed' method returns the high-dimensional vector representation
results = model.embed("https://ultralytics.com/images/bus.jpg")

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

Aplicações no mundo real#

A pesquisa vetorial é o motor por detrás de muitas funcionalidades intuitivas do ecossistema de software atual, estabelecendo uma ligação entre a visão computacional (CV) e a intenção do utilizador.

• Sistemas de recomendação visual: no setor da IA no retalho, a pesquisa vetorial alimenta funcionalidades de "compre o visual". Se um cliente gostar de uma determinada mala, o sistema encontra artigos com vetores visuais semelhantes — correspondendo à forma, textura e estilo — e cria um sistema de recomendação personalizado.
• Geração aumentada por recuperação (RAG): para melhorar os Grandes Modelos de Linguagem (LLMs), os programadores utilizam a pesquisa vetorial para recuperar documentos relevantes de uma base de conhecimento. Isto fornece contexto à IA, reduzindo as alucinações e melhorando a precisão nas interações com chatbots.
• Deteção de anomalias: ao agrupar vetores de operações "normais", os sistemas conseguem identificar valores atípicos que se afastam significativamente do agrupamento. Isto é fundamental para a deteção de anomalias no controlo de qualidade da produção e na segurança dos dados.

Distinguir conceitos relacionados#

É útil distinguir a pesquisa vetorial de termos semelhantes para compreender todo o pipeline de aprendizagem automática (ML).

• Pesquisa vetorial vs. pesquisa semântica: a pesquisa semântica é a aplicação mais abrangente da compreensão da intenção do utilizador (o "quê"). A pesquisa vetorial é o método algorítmico específico utilizado para o conseguir, calculando a proximidade entre vetores (o "como").
• Pesquisa vetorial vs. base de dados vetorial: uma base de dados vetorial é a infraestrutura concebida para armazenar e gerir embeddings em escala. A pesquisa vetorial é o processo de consultar essa base de dados para recuperar informação.
• Pesquisa vetorial vs. pesquisa por palavras-chave: a pesquisa por palavras-chave corresponde a sequências de texto exatas (por exemplo, "maçã" corresponde a "maçã"). A pesquisa vetorial corresponde ao significado, pelo que "maçã" pode corresponder a "fruta" ou "vermelho", mesmo que as palavras sejam diferentes.

Integração com a Plataforma Ultralytics#

Para as equipas que estão a criar sistemas de pesquisa por similaridade, gerir conjuntos de dados e treinar modelos de embeddings é um primeiro passo crucial. A Plataforma Ultralytics simplifica este fluxo de trabalho ao fornecer ferramentas para gestão de dados, treino na nuvem e implementação de modelos. Ao garantir que os teus modelos base — seja para deteção de objetos ou classificação — têm um elevado desempenho, garantes que os vetores resultantes fornecem resultados de pesquisa precisos e relevantes.