Hybrid Search

Geleneksel anahtar kelime eşleştirmenin hassasiyeti ile modern yapay zekanın bağlamsal anlayışını birleştiren bu arama metodolojisi, hem seyrek hem de yoğun veri temsillerinden yararlanarak bilgileri alır ve sıralar. Standart bir arama motoru tamamen tam anahtar kelime eşleşmelerine (sözcüksel arama olarak bilinir) ve vektör arama motorları ise tamamen anlamsal benzerliğe dayanırken, hibrit bir arama motoru bu iki yaklaşımı birleştirerek son derece doğru ve bağlama duyarlı sonuçlar sunar.

Nasıl Çalışır

Tipik bir hibrit arama hattı, iki farklı erişim yöntemini eş zamanlı olarak çalıştırır ve çıktılarını tek bir optimize edilmiş sıralamada birleştirir:

• Sözcüksel (Seyrek) Arama: Terim frekansına dayalı olarak tam anahtar kelime eşleşmelerini puanlamak için BM25 gibi algoritmalar kullanır. Bu, tamamen anlamsal bir modelin tanımlamakta zorlanabileceği belirli varlıkları, kısaltmaları, ürün SKU'larını veya özel jargonları almak için çok önemlidir.
• Anlamsal (Yoğun) Arama: Bir sorgunun daha derin anlamını ve bağlamını anlamak için yapay zeka modellerini kullanarak yüksek boyutlu sayı dizileri oluşturur. Bu, arama sorgusunda tam kelimeler eksik olsa bile sistemin ilgili sonuçları bulmasını sağlar.

Her iki yöntem de aday sonuçlarını aldığında, bir birleştirme algoritması—en yaygın olarak Karşılıklı Sıralama Birleştirme (RRF)—listeleri birleştirir. RRF, her bir öğenin ilgili seyrek ve yoğun sonuç kümelerindeki sıralamasına göre yeni bir puan hesaplar. Bu, her iki aramada veya her ikisinde de üst sıralarda yer alan belgelerin en üste çıkmasını sağlayarak geniş bağlamsal eşleşmeler ile tam anahtar kelime doğruluğunu dengeler.

Gerçek Dünya Yapay Zeka ve Makine Öğrenimi Uygulamaları

Modern yapay zeka mimarileri, üretim ortamlarında tek bir erişim yöntemi kullanmanın sınırlamalarını aşmak için bu tekniğe büyük ölçüde güvenmektedir.

• Hibrit RAG (Erişim Destekli Üretim): Kurumsal bilgi sistemlerinde, bir Büyük Dil Modeline (LLM) en alakalı bağlamı sağlamak, halüsinasyonları önlemek için kritiktir. Hibrit bir RAG kurulumu, modelin kesin teknik kısıtlamalarla eşleşen belgeleri almasını sağlarken aynı zamanda anlamsal olarak ilgili paragrafları da dahil etmesini garanti eder.
• E-Ticaret ve Görsel Ürün Keşfi: Perakendeciler ürün kataloglarını desteklemek için hibrit arama kullanır. Bir kullanıcı "kırmızı koşu ayakkabısı" araması yapabilir. Sözcüksel motor tam marka veya kategori anahtar kelimelerini eşleştirirken, bir görüntüleme yapay zeka modeli görsel olarak benzer öğeleri ortaya çıkarmak için görüntü yerleştirmelerini kullanır.

Today, almost every major vector database—including Pinecone, Qdrant, OpenSearch, and PostgreSQL via pgvector—supports hybrid search natively. This allows developers to index both sparse keywords and dense vectors efficiently in a single infrastructure.

Hibrit Arama için Üstveri Oluşturma

Bilgisayarlı görü hatlarında, hibrit bir dizinin seyrek bileşenini oluşturmak için görüntülerden anlamlı anahtar kelimeler çıkarabilirsin. Ultralytics YOLO26 kullanarak, bir görüntü üzerinde otomatik olarak nesne algılama gerçekleştirebilir ve bu sınıf adlarını üstveri etiketleri olarak kullanabilirsin. Bu anahtar kelime etiketleri, kapsamlı indeksleme için görüntünün yoğun vektör yerleştirmeleriyle eşleştirilebilir.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 object detection model
model = YOLO("yolo26n.pt")

# Run inference to detect objects in an image
results = model("store_aisle.jpg")

# Extract predicted class names to be indexed as keyword metadata (sparse data)
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

By enriching dense image embeddings with precise, AI-generated sparse keywords, developers can leverage the Ultralytics Platform and hybrid-compatible vector databases to build robust, multimodal search engines that perfectly understand both the explicit textual tags and the implicit visual context of their data.