Sözlük

Vektör Arama

Vektör aramanın NLP, görsel arama, öneri sistemleri ve daha fazlası için veri erişiminde anlamsal benzerlik sağlayarak yapay zekada nasıl devrim yarattığını keşfedin!

YOLO modellerini Ultralytics HUB ile basitçe
eğitin

Daha fazla bilgi edinin

Vektör araması, yapay zeka (AI) ve makine öğreniminde (ML ) veri öğelerini tam anahtar kelime eşleşmeleri yerine kavramsal benzerliklerine göre bulmak için kullanılan güçlü bir tekniktir. Vektör araması, belirli kelimeleri içeren metinleri aramak yerine, sistemlerin bir sorguyla anlamsal olarak ilişkili veya bağlamsal olarak benzer olan görüntü, belge veya ses gibi bilgileri almasına olanak tanır. Bu yöntem, daha sezgisel ve insan benzeri bilgi alımına olanak tanıyan birçok modern yapay zeka uygulaması için temeldir.

Vektör Gömülmelerini Anlama

Vektör aramanın arkasındaki temel kavram vektör katıştırmalarıdır. Metin, görüntü, ses veya diğer türlerdeki veriler, gömme modelleri kullanılarak vektör adı verilen sayısal temsillere dönüştürülür. Bu vektörler, benzer anlamlara veya özelliklere sahip öğelerin birbirine yakın konumlandırıldığı yüksek boyutlu bir uzayda bulunur. Örneğin, doğal dil işlemede (NLP), BERT gibi modeller cümleleri vektörlere dönüştürerek benzer fikirleri aktaran cümlelerin yakın vektör temsillerine sahip olmasını sağlar. Benzer şekilde, bilgisayarla görmede (CV), aşağıdaki gibi modeller Ultralytics YOLO görsel benzerlik karşılaştırmalarına olanak tanıyan görüntüler için özellik vektörleri oluşturabilir. Veriler gömüldükten sonra, vektör arama algoritmaları vektörler arasındaki "yakınlığı" ölçmek için Kosinüs Benzerliği veya Öklid Mesafesi gibi mesafe ölçümlerini kullanır. Bir sorgu (aynı zamanda bir vektöre dönüştürülür) veritabanındaki vektörlerle karşılaştırılır ve en yakın vektörlere karşılık gelen öğeler arama sonuçları olarak döndürülür.

Vektör Arama Nasıl Çalışır?

Vektör aramasını uygulamak tipik olarak şu adımları içerir:

  1. Gömme Oluşturma: Önceden eğitilmiş veya özel olarak eğitilmiş bir model kullanarak veri kümenizi (görüntüler, metin vb.) vektör katıştırmalarına dönüştürün.
  2. İndeksleme: Bu vektörleri verimli benzerlik araması için tasarlanmış özel bir vektör veritabanında veya dizinde saklayın. Örnekler Pinecone ve Milvus'u içerir.
  3. Sorgulama: Aynı gömme modelini kullanarak arama sorgusunu (örneğin, bir görüntü veya metin ifadesi) bir vektöre dönüştürün.
  4. Arama: Seçilen mesafe metriğine dayalı olarak sorgu vektörüne en yakın olan dizindeki vektörleri verimli bir şekilde bulmak için Yaklaşık En Yakın Komşu (YSA) araması gibi bir algoritma kullanın.
  5. Geri alma: Bulunan en yakın vektörlere karşılık gelen orijinal veri öğelerini döndürür.

Vektör Arama Uygulamaları

Vektör araması, çok çeşitli sofistike yapay zeka uygulamalarına olanak tanır:

  • Öneri Sistemleri: Netflix veya Spotify gibi platformlar kullanıcıları ve öğeleri (filmler, şarkılar) vektörler olarak temsil eder. Vektör arama, vektörleri bir kullanıcının vektörüne (tercihlerini temsil eden) yakın olan öğeleri bulur ve kişiselleştirilmiş önerilere yol açar.
  • Görsel Arama: E-ticaret siteleri, kullanıcıların beğendikleri bir ürünün resmini yüklemelerine olanak tanır. Sistem görüntüyü bir vektöre dönüştürür ve envanterdeki görsel olarak benzer ürünleri bulmak için vektör aramasını kullanır. Bu, büyük ölçüde etkili görüntü tanıma gömülmelerine dayanır. Ultralytics HUB gibi platformlardaki araçlar, bu tür görevler için modelleri eğitmek için kullanılan veri kümelerini yönetmeye yardımcı olabilir.
  • Anlamsal Arama: Sorguların arkasındaki anlamı anlamak için arama motorlarını veya sohbet botlarını geliştirmek. Anahtar kelimeleri eşleştirmek yerine, vektör araması bağlamsal olarak alakalı olan belgeleri veya yanıtları bulur. Bu, doğal dil kullanarak veri kümelerini aramaya izin veren Ultralytics Explorer gibi özellikler için çok önemlidir.
  • Anomali Tespiti: Siber güvenlik veya dolandırıcılık tespitinde, normal davranış kalıpları vektör kümeleri olarak temsil edilebilir. Vektör araması, bu kümelerin çok dışında kalan veri noktalarını (potansiyel anormallikler) belirleyebilir.
  • Soru Yanıtlama Sistemleri: Kullanıcı sorularını yanıtlamak için büyük bir bilgi tabanında ilgili pasajları bulma, genellikle Retrieval-Augmented Generation (RAG) sistemlerinin bir parçası olarak kullanılır.

Vektörel Arama ve Anlamsal Arama

Sıklıkla birlikte kullanılsa da, Vektörel Arama ve Anlamsal Arama farklı kavramlardır. Anlamsal Arama, ilgili sonuçlar sağlamak için kullanıcının amacını ve sorgusunun bağlamsal anlamını anlama hedefini ifade eder. Vektör Arama, anlamsal aramayı uygulamak için sıklıkla kullanılan bir yöntem veya mekanizmadır. Yakınlığın anlamsal benzerliği temsil ettiği vektör uzayında "yakın" olan öğeleri bularak anlamsal alaka düzeyine ulaşır. Bu nedenle vektör araması, anlamı yakalayan vektör gömüleri üzerinde çalışarak birçok anlamsal arama uygulamasına güç veren bir motordur. YOLO gibi gelişmiş modeller, açık kelime dağarcığı nesne tespiti için bu kavramlardan yararlanır.

Tümünü okuyun