Oracle AI Vector Search

Die Ähnlichkeitssuche konzentriert sich darauf, verwandte Daten auf der Grundlage ihrer semantischen Bedeutung zu finden. Unstrukturierte Daten lassen sich nur schwer direkt durchsuchen. Daher geht die Ähnlichkeitssuche über die einfache Stichwortsuche hinaus, indem sie die zugrunde liegenden Text-, Bild-, Audio- oder Videodaten berücksichtigt, anstatt nur die manuell darauf angewendeten Beschriftungen zu durchsuchen.

Die Notwendigkeit, eine Übereinstimmung für ähnliche Daten in großen Datensätzen zu ermitteln, gilt für viele Branchen. Beispiele für die Ähnlichkeitssuche sind:

• Semantische Suche nach Dokumenten
• Semantische Suche nach Bildern
• Empfehlungssysteme
• Mustererkennung
• Erkennung von Anomalien und Betrug

1. Unstrukturierte Daten wie Dateien, Dokumente, BLOBS oder CLOBS.
2. Verwenden Sie kommerzielle oder Open-Source-Einbettungsmodelle, um Vektoren innerhalb oder außerhalb der Oracle-Datenbank zu erstellen.
3. Die Vektoren können neben den Geschäftsdaten gespeichert werden, sodass sich die Vektoren bei einer Änderung der Daten ebenfalls ändern.
4. Sie können die gespeicherten Vektoren nach den ähnlichsten Vektoren durchsuchen.
5. Die Suche gibt die für Sie relevantesten Daten zurück.

RAG verwendet die Ergebnisse der Ähnlichkeitssuche, um die Genauigkeit und kontextbezogene Relevanz großer Sprachmodellantworten auf Fragen zu Geschäftsdaten zu verbessern. RAG hilft dabei, kontextrelevante private Daten zu identifizieren, auf die das LLM möglicherweise nicht trainiert wurde, und verwendet diese dann, um die Eingabeaufforderungen für Benutzer zu erweitern, damit LLMs mit größerer Genauigkeit reagieren können.

Der Wunsch nach qualitativ hochwertigeren Antworten von LLMs ist universell und erstreckt sich über viele Branchen. Beispiele für die Verwendung von RAG für eine verbesserte Genauigkeit sind:

• Chatbots für interne und externe Nutzer
• Dokumentensuche und Zusammenfassungen
• Sprachsynthese
• Antworten auf Fragen, die spezielles, fachspezifisches Wissen erfordern

RAG unterstützt Organisationen dabei, maßgeschneiderte Antworten auf geschäftliche Fragen zu finden, ohne dass hohe Kosten für die Umschulung oder Feinabstimmung der LLMs anfallen.

1. Ein Chatbot ermöglicht einen Dialog mit einem LLM.
2. Führen Sie eine Ähnlichkeitssuche für Ihre privaten Geschäftsdaten durch und geben Sie diese Fakten an das LLM weiter.
3. Die Ergebnisse werden als Eingabeaufforderung und Kontext für das LLM formatiert.
4. Das LMM erhält aktuelle Geschäftsdaten und reduziert damit Halluzinationen.
5. Die hochwertigen Antworten werden an den Chatbot zurückgegeben.