Fogalomtár

Beágyazási vektor

Mi a(z) Beágyazási vektor?

A beágyazási vektor (embedding) számok listája, amely egy szó, mondat vagy dokumentum jelentését úgy ábrázolja, hogy a hasonló tartalmú szövegek közel kerüljenek egymáshoz. Így felismerhető például, hogy a „felmondás” és a „szerződés megszüntetése” összefügg, noha nincs bennük közös szó. A beágyazások sok szemantikus keresőrendszer, ajánlószolgáltatás és RAG-alkalmazás alapját képezik; speciálisan betanított modellek számítják ki őket.

Így segít a KI.ordo

A KI.ordo a tudáskereséshez nem használ beágyazásokat, hanem a BM25 kulcsszavas keresést, amely közvetlenül a szerveren fut.

Témák

vektor
szemantikus keresés
NLP

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Szóbeágyazások

A szóbeágyazások a szavakat numerikus vektorokként ábrázolják úgy, hogy a hasonló jelentésű szavak közel kerüljenek egymáshoz a vektortérben, például az „autó” és a „jármű”. Az olyan módszerek, mint a Word2Vec vagy a GloVe, ezeket a vektorokat nagy szövegmennyiségből tanulják. Fontos lépést jelentettek a nyelvfeldolgozásban, például a keresésnél vagy az osztályozásnál; a mai nyelvi modellek kontextuális beágyazásokat használnak, amelyekben egy szót a mondattól függően másképp ábrázolnak.

NLP
Vektorok
+1

Visszakeresésalapú generálás (RAG)

A visszakeresésalapú generálás a keresést a szöveggeneráláshoz kapcsolja: a válasz előtt a rendszer egy tudásgyűjteményben – például kézikönyvekben, irányelvekben vagy GYIK-ekben – releváns részleteket keres, és ezeket kontextusként átadja a nyelvi modellnek. A válasz így naprakész, vállalatspecifikus tartalmakon alapul, nem csak a modell tanítási tudásán. Ez csökkenti a kitalált állításokat, nyomon követhetővé teszi a forrásokat, és újratanítás nélküli frissítést tesz lehetővé.

RAG
tudáskeresés
+1

Információkeresés

Az információkeresés (information retrieval) azokat a módszereket foglalja magában, amelyek egy nagy szövegállományban megtalálják a lekérdezésnek megfelelő dokumentumokat vagy szövegrészleteket, és relevancia szerint rangsorolják őket. A klasszikus megközelítések, például a BM25, a keresőszavakat aszerint súlyozzák, milyen gyakran és milyen ritkán fordulnak elő; az újabbak szemantikus hasonlóságot is bevonnak. Ez áll a keresőmotorok, a vállalati keresés és a visszakeresésalapú generálás mögött, amelyben egy nyelvi modell a visszakeresett részleteket használja válasza alapjául.

Keresés
BM25
+1

Transformer

A transzformer egy neurális hálózati architektúra, amelyet 2017-ben az „Attention Is All You Need” kutatási cikkben mutattak be. Középpontjában a figyelemmechanizmus áll: a szöveg minden szavát a többi szóhoz viszonyítva súlyozza, és a számítás hatékonyan párhuzamosítható. A transzformerek a mai nyelvi modellek – például a GPT, a Claude és a BERT – alapját képezik, és képekhez, valamint hanghoz is használják őket.

architektúra
Mélytanulás
+1