Microsoft
ان حقيقت جي باوجود ته سرچ انجڻ ۾ ویکٹر اسٽوريج استعمال ڪرڻ جو خيال ڪافي عرصي کان گردش ڪري رهيو آهي، عملي طور تي، انهن تي عمل درآمد ڪرڻ ۾ رڪاوٽ ٿيندي آهي آپريشنز جي اعلي وسيلن جي شدت سان ویکٹرز ۽ اسڪاليبلٽي حدن سان. ڊيپ مشين لرننگ طريقن کي ويجھي ويجھي پاڙيسري سرچ الگورٿمز سان گڏ ڪرڻ ان کي ممڪن بڻايو آھي ته ویکٹر سسٽم جي ڪارڪردگي ۽ اسڪاليبلٽي کي وڏي سرچ انجڻن لاءِ قابل قبول سطح تي آڻڻ. مثال طور، Bing ۾، 150 بلين ویکٹرز جي ویکٹر انڊيڪس لاءِ، سڀ کان وڌيڪ لاڳاپيل نتيجا حاصل ڪرڻ جو وقت 8 ms جي اندر آهي.
لئبرريءَ ۾ انڊيڪس ٺاهڻ ۽ ویکٹر جي ڳولا کي منظم ڪرڻ جا اوزار شامل آهن، انهي سان گڏ هڪ ورهايل آن لائين سرچ سسٽم کي برقرار رکڻ لاءِ اوزارن جو هڪ سيٽ به شامل آهي، جنهن ۾ ویکٹرز جي تمام وڏي مجموعن کي ڍڪي ٿو.
لائبريريءَ جو مطلب آهي ته ڊيٽا پروسيس ٿيل ۽ جمع ۾ پيش ڪيل لاڳاپيل ویکٹر جي شڪل ۾ فارميٽ ڪئي وئي آهي جنهن جي بنياد تي مقابلو ڪري سگهجي ٿو.
ساڳئي وقت، ویکٹر ڳولا متن تائين محدود ناهي ۽ ملٽي ميڊيا جي معلومات ۽ تصويرن تي لاڳو ٿي سگهي ٿو، انهي سان گڏ خودڪار طريقي سان سفارشون پيدا ڪرڻ لاء سسٽم ۾. مثال طور، PyTorch فريم ورڪ جي بنياد تي پروٽوٽائپس مان هڪ هڪ ویکٹر سسٽم لاڳو ڪيو ويو آهي ڳولا لاءِ تصويرن ۾ شين جي هڪجهڙائي جي بنياد تي، ڪيترن ئي حوالن جي مجموعن مان ڊيٽا استعمال ڪندي جانورن، ٻليون ۽ ڪتن جي تصويرن سان گڏ ٺاهيا ويا، جن کي ویکٹر جي سيٽن ۾ تبديل ڪيو ويو. . جڏهن هڪ ايندڙ تصوير ڳولا لاءِ ملي ٿي، ان کي مشين لرننگ ماڊل استعمال ڪندي هڪ ویکٹر ۾ تبديل ڪيو ويندو آهي، جنهن جي بنياد تي سڀ کان وڌيڪ ملندڙ ویکٹر انڊيڪس مان چونڊيا ويندا آهن SPTAG الگورتھم استعمال ڪندي ۽ لاڳاپيل تصويرون نتيجي طور واپس ڪيون وينديون آهن.
جو ذريعو: opennet.ru