မိုက်ခရိုဆော့ဖ်
ရှာဖွေရေးအင်ဂျင်များတွင် vector သိုလှောင်မှုကို အသုံးပြုရန် စိတ်ကူးသည် အချိန်အတော်ကြာ ပေါ်နေသော်လည်း လက်တွေ့တွင်၊ ၎င်းတို့၏ အကောင်အထည်ဖော်မှုသည် vectors နှင့် scalability ကန့်သတ်ချက်များရှိသော မြင့်မားသော အရင်းအမြစ်ပြင်းထန်မှုနှင့်အတူ လည်ပတ်မှုကို အနှောင့်အယှက်ဖြစ်စေပါသည်။ အနီးစပ်ဆုံးအနီးဆုံး အိမ်နီးချင်း ရှာဖွေမှု အယ်လဂိုရီသမ်များနှင့် နက်ရှိုင်းသော စက်သင်ယူမှုနည်းလမ်းများကို ပေါင်းစပ်ခြင်းဖြင့် ကြီးမားသော ရှာဖွေရေးအင်ဂျင်များအတွက် လက်ခံနိုင်သော ဗက်တာစနစ်များ၏ စွမ်းဆောင်ရည်နှင့် ချဲ့ထွင်နိုင်စွမ်းကို ဆောင်ကြဉ်းပေးနိုင်ပါသည်။ ဥပမာအားဖြင့်၊ Bing တွင်၊ 150 ဘီလီယံ vectors အညွှန်းကိန်းအတွက်၊ အသက်ဆိုင်ဆုံးရလဒ်များကိုရယူရန်အချိန်သည် 8 ms အတွင်းဖြစ်သည်။
စာကြည့်တိုက်တွင် အညွှန်းတစ်ခုတည်ဆောက်ရန်နှင့် vector ရှာဖွေမှုများကို စုစည်းရန်အတွက် ကိရိယာများအပြင် ဖြန့်ဝေထားသော အွန်လိုင်းရှာဖွေမှုစနစ်အား ထိန်းသိမ်းရန်အတွက် ကိရိယာအစုံပါ၀င်သည် ။
စာကြည့်တိုက်သည် စုစည်းမှုတွင် စီမံဆောင်ရွက်ပြီး တင်ပြထားသည့် အချက်အလက်များကို ဆက်စပ်ပုံများကို အခြေခံ၍ နှိုင်းယှဉ်နိုင်သည့် ကွက်ကွက်ပုံစံဖြင့် ဖော်မတ်ပြုလုပ်ထားကြောင်း၊
တစ်ချိန်တည်းမှာပင်၊ vector search သည် စာသားအတွက် အကန့်အသတ်မရှိဖြစ်ပြီး မာလ်တီမီဒီယာအချက်အလက်နှင့် ရုပ်ပုံများအပြင် အကြံပြုချက်များကို အလိုအလျောက်ထုတ်ပေးသည့်စနစ်များတွင်လည်း အသုံးပြုနိုင်မည်ဖြစ်သည်။ ဥပမာအားဖြင့်၊ PyTorch framework ကိုအခြေခံ၍ ရှေ့ပြေးပုံစံများထဲမှ တစ်ခုသည် ပုံများတွင် အရာဝတ္ထုများ၏ဆင်တူမှုအပေါ်အခြေခံ၍ ရှာဖွေရန်အတွက် vector system ကို အကောင်ထည်ဖော်ထားသော တိရစ္ဆာန်များ၊ ကြောင်များနှင့် ခွေးများ၏ပုံများပါရှိသော ဒေတာများကို ကိုးကားစုစည်းမှုများဖြင့် တည်ဆောက်ထားသော vector များဖြစ်သည်။ . ရှာဖွေမှုအတွက် ဝင်လာသောပုံကို လက်ခံရရှိသောအခါ၊ ၎င်းကို SPTAG အယ်လဂိုရီသမ်ကို အသုံးပြု၍ အညွှန်းမှအလားတူဆုံးသော vector များကို ရွေးချယ်ထားသည့်အပေါ် အခြေခံ၍ ၎င်းကို စက်သင်ယူမှုပုံစံကို vector အဖြစ်သို့ ပြောင်းပေးပါသည်။
source: opennet.ru