మైక్రోసాఫ్ట్
శోధన ఇంజిన్లలో వెక్టార్ నిల్వను ఉపయోగించాలనే ఆలోచన చాలా కాలం నుండి తేలుతున్నప్పటికీ, ఆచరణలో, వెక్టర్స్ మరియు స్కేలబిలిటీ పరిమితులతో కూడిన కార్యకలాపాల యొక్క అధిక వనరుల తీవ్రతతో వాటి అమలుకు ఆటంకం ఏర్పడింది. సమీప పొరుగు శోధన అల్గారిథమ్లతో లోతైన యంత్ర అభ్యాస పద్ధతులను కలపడం వలన వెక్టర్ సిస్టమ్ల పనితీరు మరియు స్కేలబిలిటీని పెద్ద శోధన ఇంజిన్లకు ఆమోదయోగ్యమైన స్థాయికి తీసుకురావడం సాధ్యమైంది. ఉదాహరణకు, Bingలో, 150 బిలియన్ల కంటే ఎక్కువ వెక్టార్ల సూచిక కోసం, అత్యంత సంబంధిత ఫలితాలను పొందే సమయం 8 ms లోపల ఉంటుంది.
లైబ్రరీ సూచికను రూపొందించడానికి మరియు వెక్టార్ శోధనలను నిర్వహించడానికి సాధనాలను కలిగి ఉంటుంది, అలాగే వెక్టర్ల యొక్క చాలా పెద్ద సేకరణలను కవర్ చేసే పంపిణీ చేయబడిన ఆన్లైన్ శోధన వ్యవస్థను నిర్వహించడానికి సాధనాల సమితిని కలిగి ఉంటుంది.
సేకరణలో ప్రాసెస్ చేయబడిన మరియు సమర్పించబడిన డేటా సంబంధిత వెక్టర్ల రూపంలో ఫార్మాట్ చేయబడిందని లైబ్రరీ సూచిస్తుంది, దాని ఆధారంగా పోల్చవచ్చు
అదే సమయంలో, వెక్టార్ శోధన టెక్స్ట్కు మాత్రమే పరిమితం కాదు మరియు మల్టీమీడియా సమాచారం మరియు చిత్రాలకు, అలాగే స్వయంచాలకంగా సిఫార్సులను రూపొందించడానికి సిస్టమ్లలో వర్తించబడుతుంది. ఉదాహరణకు, PyTorch ఫ్రేమ్వర్క్పై ఆధారపడిన ప్రోటోటైప్లలో ఒకటి, చిత్రాలలోని వస్తువుల సారూప్యత ఆధారంగా శోధించడానికి వెక్టర్ సిస్టమ్ను అమలు చేసింది, జంతువులు, పిల్లులు మరియు కుక్కల చిత్రాలతో అనేక సూచన సేకరణల నుండి డేటాను ఉపయోగించి నిర్మించబడింది, వీటిని వెక్టర్స్ సెట్లుగా మార్చారు. . శోధన కోసం ఇన్కమింగ్ ఇమేజ్ని స్వీకరించినప్పుడు, అది మెషిన్ లెర్నింగ్ మోడల్ని ఉపయోగించి వెక్టర్గా మార్చబడుతుంది, దీని ఆధారంగా SPTAG అల్గారిథమ్ని ఉపయోగించి ఇండెక్స్ నుండి చాలా సారూప్యమైన వెక్టర్లు ఎంపిక చేయబడతాయి మరియు ఫలితంగా అనుబంధిత చిత్రాలు తిరిగి ఇవ్వబడతాయి.
మూలం: opennet.ru