Hybrid Search

Bằng cách kết hợp độ chính xác của phương pháp khớp từ khóa truyền thống với khả năng hiểu ngữ cảnh của AI hiện đại, phương pháp tìm kiếm này truy xuất và xếp hạng thông tin bằng cách tận dụng cả biểu diễn dữ liệu thưa (sparse) và dày (dense). Trong khi một search engine tiêu chuẩn hoàn toàn dựa trên việc khớp từ khóa chính xác (được gọi là lexical search) và các vector search engines chỉ dựa trên semantic similarity, một công cụ tìm kiếm hỗn hợp hợp nhất hai phương pháp này để mang lại kết quả có độ chính xác cao và nhận thức được ngữ cảnh.

Link to this sectionCách thức hoạt động#

Một quy trình tìm kiếm hỗn hợp điển hình thực thi đồng thời hai phương pháp truy xuất riêng biệt, hợp nhất đầu ra của chúng thành một bảng xếp hạng duy nhất, được tối ưu hóa:

• Tìm kiếm từ vựng (thưa): Sử dụng các thuật toán như BM25 để chấm điểm các từ khóa khớp chính xác dựa trên tần suất thuật ngữ. Điều này rất quan trọng để truy xuất các thực thể, từ viết tắt, SKU sản phẩm hoặc các thuật ngữ chuyên môn cụ thể mà một model ngữ nghĩa thuần túy có thể gặp khó khăn khi nhận dạng.
• Tìm kiếm ngữ nghĩa (dày): Tạo ra các mảng số nhiều chiều bằng các model AI để hiểu ý nghĩa và ngữ cảnh sâu sắc hơn của một truy vấn. Điều này cho phép hệ thống tìm thấy các kết quả liên quan ngay cả khi các từ chính xác bị thiếu trong truy vấn tìm kiếm.

Sau khi cả hai phương pháp truy xuất kết quả ứng viên, một fusion algorithm—phổ biến nhất là Reciprocal Rank Fusion (RRF)—sẽ kết hợp các danh sách này. RRF tính toán một điểm số mới dựa trên thứ hạng của từng mục trong các tập kết quả thưa và dày tương ứng. Điều này đảm bảo rằng các tài liệu xếp hạng cao trong một hoặc cả hai tìm kiếm sẽ nổi lên hàng đầu, cân bằng giữa các kết quả phù hợp ngữ cảnh rộng và độ chính xác của từ khóa cụ thể.

Link to this sectionCác ứng dụng AI và ML trong thế giới thực#

Các kiến trúc AI hiện đại dựa rất nhiều vào kỹ thuật này để khắc phục những hạn chế của việc sử dụng một phương pháp truy xuất duy nhất trong các môi trường sản xuất.

• Hybrid RAG (Retrieval-Augmented Generation): Trong các hệ thống tri thức doanh nghiệp, việc cung cấp cho Large Language Model (LLM) ngữ cảnh phù hợp nhất là rất quan trọng để ngăn chặn hallucinations. Một thiết lập Hybrid RAG đảm bảo model truy xuất các tài liệu khớp với các ràng buộc kỹ thuật chính xác đồng thời kéo theo các đoạn văn có liên quan về mặt ngữ nghĩa.
• Thương mại điện tử và khám phá sản phẩm trực quan: Các nhà bán lẻ sử dụng tìm kiếm hỗn hợp để vận hành danh mục sản phẩm. Một người dùng có thể tìm kiếm "giày chạy bộ màu đỏ." Công cụ từ vựng sẽ khớp với các từ khóa thương hiệu hoặc danh mục chính xác, trong khi một vision AI model sử dụng image embedding để hiển thị các mặt hàng tương tự về mặt thị giác.

Ngày nay, hầu hết mọi vector database lớn—bao gồm Pinecone, Qdrant, OpenSearch và PostgreSQL thông qua pgvector—đều hỗ trợ tìm kiếm hỗn hợp một cách tự nhiên. Điều này cho phép các nhà phát triển lập chỉ mục cả từ khóa thưa và vector dày một cách hiệu quả trong cùng một cơ sở hạ tầng.

Link to this sectionTạo Metadata cho tìm kiếm hỗn hợp#

Trong các quy trình computer vision, bạn có thể trích xuất các từ khóa có ý nghĩa từ hình ảnh để xây dựng thành phần thưa của chỉ mục hỗn hợp. Sử dụng Ultralytics YOLO26, bạn có thể tự động thực hiện object detection trên hình ảnh và sử dụng các class names đó làm metadata tags. Các thẻ từ khóa này sau đó có thể được kết hợp với các vector embedding dày của hình ảnh để lập chỉ mục toàn diện.

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)

Bằng cách làm phong phú các vector embedding hình ảnh dày với các từ khóa thưa chính xác do AI tạo ra, các nhà phát triển có thể tận dụng Ultralytics Platform và các vector database tương thích với tìm kiếm hỗn hợp để xây dựng các multimodal search engines mạnh mẽ, có khả năng hiểu hoàn hảo cả các thẻ văn bản rõ ràng và ngữ cảnh trực quan ẩn của dữ liệu.