Microsoft
Neskatoties uz to, ka ideja par vektoru krātuvju izmantošanu meklētājprogrammās virmojusi jau diezgan ilgu laiku, praksē to ieviešanu apgrūtina operāciju ar vektoriem augstā resursu intensitāte un mērogojamības ierobežojumi. Dziļās mašīnmācīšanās metožu apvienošana ar aptuveniem tuvāko kaimiņu meklēšanas algoritmiem ir ļāvusi panākt vektoru sistēmu veiktspēju un mērogojamību līdz līmenim, kas ir pieņemams lielām meklētājprogrammām. Piemēram, programmā Bing vektoru indeksam, kurā ir vairāk nekā 150 miljardi vektoru, atbilstošāko rezultātu iegūšanas laiks ir 8 ms.
Bibliotēkā ir iekļauti rīki indeksa veidošanai un vektoru meklēšanas organizēšanai, kā arī rīku komplekts izplatītas tiešsaistes meklēšanas sistēmas uzturēšanai, kas aptver ļoti lielas vektoru kolekcijas.
Bibliotēka nozīmē, ka kolekcijā apstrādātie un uzrādītie dati ir formatēti saistītu vektoru veidā, kurus var salīdzināt, pamatojoties uz
Tajā pašā laikā vektoru meklēšana neaprobežojas tikai ar tekstu, un to var attiecināt uz multivides informāciju un attēliem, kā arī sistēmās automātiskai ieteikumu ģenerēšanai. Piemēram, viens no prototipiem, kas balstīts uz PyTorch ietvaru, ieviesa vektoru sistēmu meklēšanai, pamatojoties uz objektu līdzību attēlos, kas izveidota, izmantojot datus no vairākām atsauces kolekcijām ar dzīvnieku, kaķu un suņu attēliem, kas tika pārvērsti vektoru kopās. . Kad meklēšanai tiek saņemts ienākošais attēls, tas, izmantojot mašīnmācīšanās modeli, tiek pārveidots par vektoru, uz kura pamata, izmantojot SPTAG algoritmu, no indeksa tiek atlasīti līdzīgākie vektori un rezultātā tiek atgriezti saistītie attēli.
Avots: opennet.ru