Vector Search
Verbessern Sie die Genauigkeit und die Suchmöglichkeiten mit Vector Search. Die Lösung nutzt Approximate-Nearest-Neighbor(ANN)-Suchalgorithmen, um Milliarden von Informationen von Deep-Learning-Modellen in Millisekunden zu durchsuchen.
Bing Vector Search entdecken
Die Notwendigkeit
Die Herausforderung für eine Suchanfrage besteht darin, Milliarden von Einträgen zu indizieren und relevante Ergebnisse so schnell wie möglich zu finden. Die meisten Suchanfragen basieren auf einem umgekehrten Index, der sowohl Stichwortmatching als auch Technik und Infrastruktur nutzt.
Die Idee
Die Suche mit der Verwendung von Vektoren verbessern. Deep Learning-Modelle stellen Daten als Vektoren dar, wobei der Abstand zwischen den Vektoren Ähnlichkeiten widerspiegelt. Approximate-Nearest-Neighbor(ANN)-Algorithmen suchen nach Milliarden von Vektoren und liefern Ergebnisse in Millisekunden.
Die Lösung
Vector Search kann in vielen Anwendungen eingesetzt werden, z. B. bei der Suche nach Text, Multimedia, Bildern, Empfehlungen usw. Der Code kann in Ihre eigenen Anwendungen integriert werden, damit Sie Deep-Learning-Informationen in großem Umfang nutzen können.
Künstliche Intelligenz hilft Ihnen, schneller bessere Suchergebnisse zu erhalten.
Die Stichwortsuche funktioniert nicht effizient, wenn Wörter gleich klingen, mehrere Bedeutungen haben oder mehrdeutig sind. Natürlichsprachliche Schnittstellen erfordern intelligentere Suchmaschinen, die Deep Learning nutzen, um schneller und genauer Übereinstimmungen in Milliarden von Datenpunkten zu finden.
Technische Details zu Bing Vector Search
Vector Search verwendet Deep-Learning-Modelle, um Datensätze in aussagekräftige Vektordarstellungen zu kodieren, wobei der Abstand zwischen den Vektoren die Ähnlichkeiten zwischen den Elementen darstellt. Dann verwenden wir ANN-Suchalgorithmen (Approximate Nearest Neighbor, ANN), um Vektorindizes zu erstellen, mit denen wir Milliarden von Vektoren durchsuchen können, um in nur wenigen Millisekunden die Ergebnisse mit der größten Übereinstimmung zu erhalten.
Diagramm der Architektur herunterladen
Vector Search kann für eine Vielzahl von Anwendungen eingesetzt werden, wie z. B. Webtext-Suche, Multimedia- oder Bilder-Suche, Empfehlungen usw. Als Beispiel haben wir Vector Search für eine Anwendung zur Suche von ähnlichen Bildern in mehreren Bilddatenbanken verwendet: hier für Tiere, Katzen und Hunde. Zuerst verwendeten wir ein mit PyTorch vortrainiertes Deep-Learning-Modell, um Open-Source-Datensätze (wie Stanford Dogs, Oxford Flowers usw.) in Vektoren zu kodieren. Anschließend verwendeten wir den SPTAG-Algorithmus (Space Partition Tree and Graph, SPTAG), um einen ungefähren ANN-Vektorindex (Approximate Nearest Neighbor, ANN) unter Verwendung von ausgewogenen k-means-Bäumen und Nearest-Neighborhood-Graphen zu generieren. Wenn eine Bild-Eingabe eintrifft, verwendet unsere Anwendung zunächst das PyTorch-Modell, um das Bild in einen Vektor umzuwandeln. Der Abfragevektor wird dann vom SPTAG-Algorithmus verwendet, um in wenigen Millisekunden die damit am besten übereinstimmenden Vektoren zu finden. Die zurückgegebenen Vektoren entsprechen den Bildern und werden als „am besten übereinstimmende“ Ergebnisse zurückgegeben.
Diese Suche nach ähnlichen Bildern ist nur eine der vielen möglichen Einsatzzwecke der Vektorsuche in Ihren aktuellen Anwendungen. Probieren Sie es aus. Integrieren Sie Vector Search in Ihre eigenen Anwendungen, um Deep-Learning-Erkenntnisse in großem Maßstab zu nutzen.
Ressourcen:
Microsoft Math
Die Lösung Microsoft Math verwendet optische Zeichenerkennung (Optical Character Recognition, OCR) für Handschriften, um eine mathematische Gleichung aus dem Foto der Notizen von Schülern zu extrahieren. Das Problem wird dann standardisiert, klassifiziert, gelöst und mit den Lösungsschritten und ähnlichen Problemen zurückgeschickt.
Insights and Discovery Accelerator
Entfalten Sie Ihre Ideen und entdecken Sie intelligente Verbindungen in unstrukturierten Daten. Die Lösung Insights and Discovery Accelerator nutzt Microsoft AI zur Beschleunigung und Skalierung von Nachforschungen und Recherchen, indem sie Journalisten hilft, wichtige Inhalte in einem Meer von Daten zu finden.
JFK Files
Die JFK Files-Lösung umfasst 34.000 komplexe Dateien, darunter Fotos, Handschriften, Regierungsdokumente und mehr. Sie extrahiert daraus verwertbare Informationen. All diese Daten sind strukturiert und bieten neue Möglichkeiten, die Informationen zu durchsuchen.
Entdecken Sie die Möglichkeiten von KI
Starten Sie Ihre eigenen KI-Innovationen mit Schulungsressourcen und Entwicklungslösungen von Microsoft AI.
AI School
Erfahren Sie, wie Sie Ihre eigenen KI-Erfahrungen mit den KI-Technologie-Kursen erstellen können. Nehmen Sie an Lernpfaden zu den Themen dialogfähige KI, Machine Learning, KI für Geräte, Cognitive Services, autonome Systeme, professionelle KI-Strategien und verantwortungsvolle KI teil.
KI-Plattform
Beginnen Sie mit der Entwicklung von KI-Lösungen mit leistungsfähigen Tools und Diensten. Microsoft AI ist ein robustes Framework für die Entwicklung von KI-Lösungen in den Bereichen dialogfähige KI, Machine Learning, Data Sciences, Robotik, IoT und mehr.
