ಮೈಕ್ರೋಸಾಫ್ಟ್
ಸರ್ಚ್ ಇಂಜಿನ್ಗಳಲ್ಲಿ ವೆಕ್ಟರ್ ಶೇಖರಣೆಯನ್ನು ಬಳಸುವ ಕಲ್ಪನೆಯು ಬಹಳ ಸಮಯದಿಂದ ತೇಲುತ್ತಿದೆ ಎಂಬ ವಾಸ್ತವದ ಹೊರತಾಗಿಯೂ, ಪ್ರಾಯೋಗಿಕವಾಗಿ, ವೆಕ್ಟರ್ಗಳು ಮತ್ತು ಸ್ಕೇಲೆಬಿಲಿಟಿ ಮಿತಿಗಳೊಂದಿಗೆ ಕಾರ್ಯಾಚರಣೆಗಳ ಹೆಚ್ಚಿನ ಸಂಪನ್ಮೂಲ ತೀವ್ರತೆಯಿಂದ ಅವುಗಳ ಅನುಷ್ಠಾನವು ಅಡ್ಡಿಯಾಗುತ್ತದೆ. ಆಳವಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಸರಿಸುಮಾರು ಹತ್ತಿರದ ನೆರೆಹೊರೆಯ ಹುಡುಕಾಟ ಅಲ್ಗಾರಿದಮ್ಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುವುದು ವೆಕ್ಟರ್ ಸಿಸ್ಟಮ್ಗಳ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಸ್ಕೇಲೆಬಿಲಿಟಿಯನ್ನು ದೊಡ್ಡ ಸರ್ಚ್ ಇಂಜಿನ್ಗಳಿಗೆ ಸ್ವೀಕಾರಾರ್ಹ ಮಟ್ಟಕ್ಕೆ ತರಲು ಸಾಧ್ಯವಾಗಿಸಿದೆ. ಉದಾಹರಣೆಗೆ, Bing ನಲ್ಲಿ, 150 ಶತಕೋಟಿಗೂ ಹೆಚ್ಚು ವೆಕ್ಟರ್ಗಳ ವೆಕ್ಟರ್ ಸೂಚ್ಯಂಕಕ್ಕಾಗಿ, ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯುವ ಸಮಯವು 8 ms ಒಳಗೆ ಇರುತ್ತದೆ.
ಲೈಬ್ರರಿಯು ಸೂಚ್ಯಂಕವನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ವೆಕ್ಟರ್ ಹುಡುಕಾಟಗಳನ್ನು ಸಂಘಟಿಸಲು ಸಾಧನಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಹಾಗೆಯೇ ವೆಕ್ಟರ್ಗಳ ದೊಡ್ಡ ಸಂಗ್ರಹಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ವಿತರಿಸಿದ ಆನ್ಲೈನ್ ಹುಡುಕಾಟ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಧನಗಳ ಗುಂಪನ್ನು ಒಳಗೊಂಡಿದೆ.
ಸಂಗ್ರಹಣೆಯಲ್ಲಿ ಸಂಸ್ಕರಿಸಿದ ಮತ್ತು ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಡೇಟಾವನ್ನು ಸಂಬಂಧಿತ ವೆಕ್ಟರ್ಗಳ ರೂಪದಲ್ಲಿ ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡಲಾಗಿದೆ ಎಂದು ಲೈಬ್ರರಿ ಸೂಚಿಸುತ್ತದೆ, ಅದನ್ನು ಆಧರಿಸಿ ಹೋಲಿಸಬಹುದು
ಅದೇ ಸಮಯದಲ್ಲಿ, ವೆಕ್ಟರ್ ಹುಡುಕಾಟವು ಪಠ್ಯಕ್ಕೆ ಸೀಮಿತವಾಗಿಲ್ಲ ಮತ್ತು ಮಲ್ಟಿಮೀಡಿಯಾ ಮಾಹಿತಿ ಮತ್ತು ಚಿತ್ರಗಳಿಗೆ ಅನ್ವಯಿಸಬಹುದು, ಹಾಗೆಯೇ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಶಿಫಾರಸುಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಅನ್ವಯಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಪೈಟಾರ್ಚ್ ಫ್ರೇಮ್ವರ್ಕ್ ಅನ್ನು ಆಧರಿಸಿದ ಮೂಲಮಾದರಿಗಳಲ್ಲಿ ಒಂದಾದ ಚಿತ್ರಗಳಲ್ಲಿನ ವಸ್ತುಗಳ ಹೋಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಹುಡುಕಲು ವೆಕ್ಟರ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ, ಪ್ರಾಣಿಗಳು, ಬೆಕ್ಕುಗಳು ಮತ್ತು ನಾಯಿಗಳ ಚಿತ್ರಗಳೊಂದಿಗೆ ಹಲವಾರು ಉಲ್ಲೇಖ ಸಂಗ್ರಹಗಳಿಂದ ಡೇಟಾವನ್ನು ಬಳಸಿ ನಿರ್ಮಿಸಲಾಗಿದೆ, ಇವುಗಳನ್ನು ವೆಕ್ಟರ್ಗಳ ಸೆಟ್ಗಳಾಗಿ ಪರಿವರ್ತಿಸಲಾಯಿತು. . ಹುಡುಕಾಟಕ್ಕಾಗಿ ಒಳಬರುವ ಚಿತ್ರವನ್ನು ಸ್ವೀಕರಿಸಿದಾಗ, ಅದನ್ನು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ವೆಕ್ಟರ್ ಆಗಿ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ, ಅದರ ಆಧಾರದ ಮೇಲೆ SPTAG ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಸೂಚ್ಯಂಕದಿಂದ ಹೆಚ್ಚು ಹೋಲುವ ವೆಕ್ಟರ್ಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಅದರ ಪರಿಣಾಮವಾಗಿ ಸಂಬಂಧಿತ ಚಿತ್ರಗಳನ್ನು ಹಿಂತಿರುಗಿಸಲಾಗುತ್ತದೆ.
ಮೂಲ: opennet.ru