مائیکروسافٹ
اس حقیقت کے باوجود کہ سرچ انجنوں میں ویکٹر سٹوریج کے استعمال کا خیال کافی عرصے سے گردش کر رہا ہے، عملی طور پر، ان کے نفاذ میں ویکٹرز اور اسکیل ایبلٹی حدود کے ساتھ آپریشنز کی اعلیٰ وسائل کی شدت کی وجہ سے رکاوٹ ہے۔ گہرے مشین سیکھنے کے طریقوں کو قریب ترین پڑوسی تلاش کے الگورتھم کے ساتھ ملا کر ویکٹر سسٹمز کی کارکردگی اور اسکیل ایبلٹی کو بڑے سرچ انجنوں کے لیے قابل قبول سطح پر لانا ممکن ہو گیا ہے۔ مثال کے طور پر، Bing میں، 150 بلین ویکٹر سے زیادہ کے ویکٹر انڈیکس کے لیے، سب سے زیادہ متعلقہ نتائج حاصل کرنے کا وقت 8 ms کے اندر ہے۔
لائبریری میں انڈیکس بنانے اور ویکٹر کی تلاش کو منظم کرنے کے لیے ٹولز شامل ہیں، نیز ویکٹرز کے بہت بڑے مجموعوں کا احاطہ کرنے والے تقسیم شدہ آن لائن سرچ سسٹم کو برقرار رکھنے کے لیے ٹولز کا ایک سیٹ۔
لائبریری کا مطلب یہ ہے کہ جمع کیے گئے اور جمع کیے گئے ڈیٹا کو متعلقہ ویکٹرز کی شکل میں فارمیٹ کیا جاتا ہے جن کا موازنہ کیا جا سکتا ہے
ایک ہی وقت میں، ویکٹر کی تلاش صرف متن تک محدود نہیں ہے اور اسے ملٹی میڈیا معلومات اور تصاویر کے ساتھ ساتھ خود کار طریقے سے سفارشات تیار کرنے کے نظام میں بھی لاگو کیا جا سکتا ہے۔ مثال کے طور پر، PyTorch فریم ورک پر مبنی پروٹو ٹائپس میں سے ایک نے تصاویر میں اشیاء کی مماثلت کی بنیاد پر تلاش کے لیے ایک ویکٹر سسٹم نافذ کیا، جس میں جانوروں، بلیوں اور کتوں کی تصاویر کے ساتھ کئی حوالہ جات کے ڈیٹا کا استعمال کرتے ہوئے بنایا گیا، جنہیں ویکٹر کے سیٹ میں تبدیل کیا گیا۔ . جب کوئی آنے والی تصویر تلاش کے لیے موصول ہوتی ہے، تو اسے مشین لرننگ ماڈل کا استعمال کرتے ہوئے ایک ویکٹر میں تبدیل کر دیا جاتا ہے، جس کی بنیاد پر SPTAG الگورتھم کا استعمال کرتے ہوئے انڈیکس سے سب سے ملتے جلتے ویکٹرز کو منتخب کیا جاتا ہے اور اس کے نتیجے میں متعلقہ تصاویر واپس کی جاتی ہیں۔
ماخذ: opennet.ru