компанія Microsoft
Незважаючи на те, що ідеї застосування векторних сховищ у пошукових системах витають вже досить давно, на практиці їх впровадженню заважає велика ресурсоємність операцій з векторами та обмеження масштабованості. Поєднання методів глибинного машинного навчання з алгоритмами приблизного пошуку найближчого сусіда дозволило довести продуктивність і масштабованість векторних систем рівня, прийнятного великих пошукових систем. Наприклад, Bing для векторного індексу розміром понад 150 мільярдів векторів час вибірки найбільш релевантних результатів укладається в 8 мс.
До складу бібліотеки включені засоби для побудови індексу та організації пошуку векторів, а також набір інструментів для супроводу розподіленої системи online-пошуку, що охоплює великі колекції векторів.
Бібліотека має на увазі, що оброблені та представлені в колекції дані оформлені у вигляді пов'язаних векторів, які можна порівнювати на основі
При цьому векторний пошук не обмежується текстом і може застосовуватися до мультимедійної інформації та зображень, а також для систем автоматичного формування рекомендацій. Наприклад, в одному з прототипів на базі фреймворку PyTorch була реалізована векторна система для пошуку з урахуванням подібності об'єктів на зображеннях, побудована з використанням даних з кількох еталонних колекцій із зображеннями тварин, котів та собак, які були перетворені на набори векторів. При надходженні зображення для пошуку воно перетворюється з використанням моделі машинного навчання у вектор, на основі якого за допомогою алгоритму SPTAG з індексу вибираються найбільш схожі вектори і як результат повертаються пов'язані з ними зображення.
Джерело: opennet.ru