Microsoft ընկերությունը
Չնայած այն հանգամանքին, որ որոնողական համակարգերում վեկտորային պահեստավորման կիրառման գաղափարը բավականին երկար ժամանակ է տարածվել, գործնականում դրանց իրականացմանը խոչընդոտում է վեկտորներով և մասշտաբայնության սահմանափակումներով գործողությունների ռեսուրսների մեծ ինտենսիվությունը: Խորը մեքենայական ուսուցման մեթոդների համադրումը մոտավոր հարևանների որոնման ալգորիթմների հետ հնարավորություն է տվել վեկտորային համակարգերի կատարողականությունն ու մասշտաբայնությունը հասցնել մեծ որոնման համակարգերի համար ընդունելի մակարդակի: Օրինակ, Bing-ում ավելի քան 150 միլիարդ վեկտոր ունեցող վեկտորային ինդեքսի դեպքում ամենահամապատասխան արդյունքները ստանալու ժամանակը 8 ms-ի սահմաններում է:
Գրադարանը ներառում է ինդեքս ստեղծելու և վեկտորային որոնումներ կազմակերպելու գործիքներ, ինչպես նաև գործիքների մի շարք՝ բաշխված առցանց որոնման համակարգ պահպանելու համար, որը ներառում է վեկտորների շատ մեծ հավաքածուներ:
Գրադարանը ենթադրում է, որ հավաքածուում մշակված և ներկայացված տվյալները ձևավորվում են հարակից վեկտորների տեսքով, որոնք կարելի է համեմատել՝ հիմնվելով.
Միևնույն ժամանակ, վեկտորային որոնումը չի սահմանափակվում տեքստով և կարող է կիրառվել մուլտիմեդիա տեղեկատվության և պատկերների, ինչպես նաև առաջարկությունների ավտոմատ ստեղծման համակարգերում: Օրինակ, PyTorch շրջանակի վրա հիմնված նախատիպերից մեկն իրականացրել է վեկտորային համակարգ՝ որոնելու համար՝ հիմնված պատկերներում օբյեկտների նմանության վրա, որը կառուցվել է մի քանի տեղեկատու հավաքածուների տվյալների հիման վրա՝ կենդանիների, կատուների և շների պատկերներով, որոնք վերածվել են վեկտորների հավաքածուների։ . Երբ մուտքային պատկերը ստացվում է որոնման համար, այն մեքենայական ուսուցման մոդելի միջոցով վերածվում է վեկտորի, որի հիման վրա SPTAG ալգորիթմի միջոցով ընտրվում են ամենանման վեկտորները ինդեքսից և արդյունքում վերադարձվում են հարակից պատկերները:
Source: opennet.ru