инструменты 1 мин

Quiver, часть 1: Что такое векторная база данных? Четыре идеи, лежащие в основе моей разработки

Автор объясняет, почему обычный текстовый поиск не может найти фильм по описанию «чувства», и как векторные базы данных решают эту проблему. Он разбирает на простом примере поиска фильма ключевую концепцию: превращение смысла в числа (эмбеддинги), которые позволяют искать по значению, а не по совпадению букв.

Доступное объяснение фундаментальной технологии, лежащей в основе современного AI-поиска — от Netflix до ChatGPT. Автор обещает серию из пяти статей о создании собственной векторной БД Quiver с нуля, без предварительных знаний математики или AI.

Это аннотация к авторской статье. Мы не публикуем и не пересказываем чужие тексты целиком — полная версия у автора.

О чём статья

  • Традиционный поиск ищет совпадения символов, а не смысла — фильм 'How to Lose a Guy in 10 Days' не найдётся по запросу о случайной романтике, хотя идеально подходит
  • Эмбеддинги превращают любой контент (текст, фильм, фото) в список из сотен чисел, каждое из которых — ответ на «невидимый вопрос» о смысле
  • Близость смыслов становится измеримым расстоянием в многомерном пространстве — похожие по духу объекты оказываются «соседями» на карте
  • Система различает смысл независимо от формы: фильмы с одним актёром (McConaughey в комедии и 'Interstellar') окажутся далеко друг от друга по эмбеддингам
векторные базы данныхэмбеддингисемантический поискRAGоткрытый код
Марина Соколова Medium #llm
Читать оригинал

Ещё по теме

Комментарии