Мицрософт
Упркос чињеници да је идеја коришћења векторског складиштења у претраживачима већ дуже време лебдела, у пракси је њихова имплементација отежана великим интензитетом ресурса операција са векторима и ограничењима скалабилности. Комбиновање метода дубоког машинског учења са приближним алгоритмима за претрагу најближих суседа омогућило је да се перформансе и скалабилност векторских система доведу на ниво прихватљив за велике претраживаче. На пример, у Бинг-у, за векторски индекс од преко 150 милијарди вектора, време за преузимање најрелевантнијих резултата је унутар 8 мс.
Библиотека укључује алате за прављење индекса и организовање векторских претрага, као и скуп алата за одржавање дистрибуираног система за претрагу на мрежи који покрива веома велике колекције вектора.
Библиотека подразумева да се подаци обрађени и представљени у колекцији форматирају у облику повезаних вектора који се могу поредити на основу
Истовремено, векторска претрага није ограничена само на текст и може се применити на мултимедијалне информације и слике, као и на системе за аутоматско генерисање препорука. На пример, један од прототипова заснованих на оквиру ПиТорцх имплементирао је векторски систем за претрагу заснован на сличности објеката на сликама, изграђен коришћењем података из неколико референтних колекција са сликама животиња, мачака и паса, који су конвертовани у скупове вектора. . Када се долазна слика прими за претрагу, она се конвертује помоћу модела машинског учења у вектор, на основу којег се најсличнији вектори бирају из индекса помоћу СПТАГ алгоритма и придружене слике се враћају као резултат.
Извор: опеннет.ру