Mikrosofta Kompanio
Malgraŭ la fakto, ke la ideo uzi vektoran stokadon en serĉiloj flosis ĉirkaŭe dum sufiĉe longa tempo, praktike ilia efektivigo estas malhelpita de la alta rimeda intenseco de operacioj kun vektoroj kaj skaleblaj limoj. Kombini profundajn maŝinlernajn metodojn kun proksimumaj plej proksimaj najbaraj serĉalgoritmoj ebligis alporti la rendimenton kaj skaleblon de vektoraj sistemoj al nivelo akceptebla por grandaj serĉiloj. Ekzemple, en Bing, por vektora indekso de pli ol 150 miliardoj da vektoroj, la tempo por alporti la plej gravajn rezultojn estas ene de 8 ms.
La biblioteko inkluzivas ilojn por konstrui indekson kaj organizi vektorajn serĉojn, same kiel aron de iloj por konservi distribuitan retan serĉsistemon kovrantan tre grandajn kolektojn de vektoroj.
La biblioteko implicas ke la datumoj prilaboritaj kaj prezentitaj en la kolekto estas formatitaj en la formo de rilataj vektoroj kiuj povas esti komparitaj surbaze de
Samtempe, vektora serĉo ne estas limigita al teksto kaj povas esti aplikata al plurmediaj informoj kaj bildoj, same kiel en sistemoj por aŭtomate generi rekomendojn. Ekzemple, unu el la prototipoj bazitaj sur la kadro PyTorch efektivigis vektoran sistemon por serĉado bazita sur la simileco de objektoj en bildoj, konstruita uzante datumojn de pluraj referenckolektoj kun bildoj de bestoj, katoj kaj hundoj, kiuj estis konvertitaj en arojn de vektoroj. . Kiam alvenanta bildo estas ricevita por serĉo, ĝi estas konvertita uzante maŝinlerndan modelon en vektoron, surbaze de kiu la plej similaj vektoroj estas elektitaj de la indekso uzante la SPTAG-algoritmon kaj la rilataj bildoj estas resenditaj kiel rezulto.
fonto: opennet.ru