Microsoft
Senadyan kasunyatan manawa ide nggunakake panyimpenan vektor ing mesin telusuran wis suwe banget, ing praktik, implementasine diganggu dening intensitas operasi sumber daya sing dhuwur kanthi watesan vektor lan skalabilitas. Nggabungake metode pembelajaran mesin sing jero karo algoritma telusuran tetanggan sing paling cedhak wis bisa nggawa kinerja lan skalabilitas sistem vektor menyang tingkat sing bisa ditampa kanggo mesin telusur gedhe. Contone, ing Bing, kanggo indeks vektor luwih saka 150 milyar vektor, wektu kanggo njupuk asil sing paling relevan yaiku ing 8 ms.
Pustaka kalebu alat kanggo mbangun indeks lan ngatur telusuran vektor, uga sakumpulan alat kanggo njaga sistem telusuran online sing disebarake sing nyakup koleksi vektor sing akeh banget.
Pustaka kasebut nuduhake manawa data sing diolah lan disajikake ing koleksi diformat ing bentuk vektor sing gegandhengan sing bisa dibandhingake adhedhasar
Ing wektu sing padha, telusuran vektor ora diwatesi ing teks lan bisa ditrapake kanggo informasi lan gambar multimedia, uga ing sistem kanggo nggawe rekomendasi kanthi otomatis. Contone, salah sawijining prototipe adhedhasar kerangka PyTorch ngetrapake sistem vektor kanggo nggoleki adhedhasar persamaan obyek ing gambar, dibangun kanthi nggunakake data saka sawetara koleksi referensi kanthi gambar kewan, kucing lan asu, sing diowahi dadi set vektor. . Nalika gambar mlebu ditampa kanggo telusuran, diowahi nggunakake model pembelajaran mesin dadi vektor, adhedhasar vektor sing paling padha dipilih saka indeks nggunakake algoritma SPTAG lan gambar sing gegandhengan bakal bali minangka asil.
Source: opennet.ru