Vector Search

Tìm kiếm vector là một phương pháp truy xuất thông tin tinh vi, xác định các mục tương tự trong một dataset dựa trên các đặc điểm toán học thay vì đối sánh từ khóa chính xác. Không giống tìm kiếm từ khóa truyền thống, vốn dựa vào việc tìm các chuỗi ký tự cụ thể, tìm kiếm vector phân tích ý nghĩa ngữ nghĩa underlying của dữ liệu. Kỹ thuật này là nền tảng của các ứng dụng trí tuệ nhân tạo (AI) hiện đại vì cho phép máy tính hiểu mối quan hệ giữa các khái niệm trừu tượng, xử lý dữ liệu phi cấu trúc như hình ảnh, tệp âm thanh và văn bản ngôn ngữ tự nhiên với độ chính xác đáng kể.

Cách thức hoạt động của Tìm kiếm vector#

Cốt lõi của tìm kiếm vector là chuyển đổi dữ liệu thô thành các vector số nhiều chiều, được gọi là embeddings. Quy trình này ánh xạ các mục tới các điểm trong không gian đa chiều, trong đó những mục tương đồng về mặt khái niệm nằm gần nhau.

1. Vector hóa: Một model deep learning (DL) xử lý dữ liệu đầu vào—ví dụ: hình ảnh một chú chó—và xuất ra một vector đặc trưng. Các model tiên tiến như YOLO26 thường được sử dụng để tạo các biểu diễn đặc trưng phong phú này một cách hiệu quả.

2. Lập chỉ mục: Để thực hiện tìm kiếm nhanh, các vector này được tổ chức bằng các thuật toán chuyên dụng và thường được lưu trữ trong một cơ sở dữ liệu vector chuyên dụng.

3. Tính độ tương đồng: Khi người dùng gửi một truy vấn, hệ thống chuyển đổi truy vấn đó thành một vector và đo khoảng cách tới các vector đã lưu trữ bằng các metric như độ tương đồng cosine hoặc khoảng cách Euclidean.

4. Truy xuất: Hệ thống trả về các "láng giềng gần nhất", đại diện cho những kết quả phù hợp nhất về ngữ cảnh.

Ví dụ Python: Tạo Embeddings#

Để triển khai tìm kiếm vector, trước tiên bạn phải chuyển đổi dữ liệu thành các vector. Đoạn code sau minh họa cách tạo bản đồ đặc trưng và embeddings từ một hình ảnh bằng package ultralytics và một model YOLO26 đã được huấn luyện trước.

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}")

Các ứng dụng trong thực tế#

Tìm kiếm vector là engine đứng sau nhiều tính năng trực quan trong hệ sinh thái phần mềm ngày nay, thu hẹp khoảng cách giữa thị giác máy tính (CV) và ý định của người dùng.

• Hệ thống đề xuất trực quan: Trong lĩnh vực AI trong bán lẻ, tìm kiếm vector hỗ trợ các tính năng "shop the look". Nếu khách hàng thích một chiếc túi xách cụ thể, hệ thống sẽ tìm các sản phẩm có vector hình ảnh tương tự—đối sánh hình dạng, kết cấu và phong cách—để tạo ra một hệ thống đề xuất được cá nhân hóa.
• Sinh tăng cường truy xuất (RAG): Để nâng cao Các mô hình ngôn ngữ lớn (LLMs), các developer sử dụng tìm kiếm vector để truy xuất các tài liệu liên quan từ một knowledge base. Điều này cung cấp ngữ cảnh cho AI, giảm hiện tượng hallucination và cải thiện độ chính xác trong các tương tác với chatbot.
• Phát hiện bất thường: Bằng cách phân cụm các vector của các hoạt động "bình thường", hệ thống có thể xác định những điểm ngoại lệ lệch xa khỏi cụm. Điều này rất quan trọng đối với phát hiện bất thường trong kiểm soát chất lượng sản xuất và bảo mật dữ liệu.

Phân biệt các khái niệm liên quan#

Việc phân biệt tìm kiếm vector với các thuật ngữ tương tự sẽ giúp hiểu đầy đủ pipeline machine learning (ML).

• Tìm kiếm vector so với Tìm kiếm ngữ nghĩa: Tìm kiếm ngữ nghĩa là ứng dụng rộng hơn của việc hiểu ý định người dùng ("what"). Tìm kiếm vector là phương pháp thuật toán cụ thể được sử dụng để đạt được điều này bằng cách tính độ gần nhau của các vector ("how").
• Tìm kiếm vector so với Cơ sở dữ liệu vector: Cơ sở dữ liệu vector là hạ tầng được thiết kế để lưu trữ và quản lý embeddings ở quy mô lớn. Tìm kiếm vector là quy trình truy vấn cơ sở dữ liệu đó để truy xuất thông tin.
• Tìm kiếm vector so với Tìm kiếm từ khóa: Tìm kiếm từ khóa đối sánh các chuỗi văn bản chính xác (ví dụ: "apple" đối sánh với "apple"). Tìm kiếm vector đối sánh ý nghĩa, vì vậy "apple" có thể đối sánh với "fruit" hoặc "red", ngay cả khi các từ khác nhau.

Tích hợp với Nền tảng Ultralytics#

Đối với các team xây dựng hệ thống tìm kiếm tương đồng, việc quản lý dataset và huấn luyện các model embedding là bước đầu tiên quan trọng. Nền tảng Ultralytics đơn giản hóa workflow này bằng cách cung cấp các công cụ quản lý dữ liệu, huấn luyện trên cloud và triển khai model. Bằng cách đảm bảo các model nền tảng của bạn—dù dùng cho phát hiện đối tượng hay classification—đạt hiệu năng cao, bạn đảm bảo các vector tạo ra sẽ cung cấp kết quả tìm kiếm chính xác và có ý nghĩa.