بحث Oracle AI Vector

يركز البحث عن التشابه على العثور على البيانات ذات الصلة بناءً على معناها الدلالي. من الصعب البحث عن البيانات غير المنظمة مباشرةً، لذلك؛ يتجاوز بحث التشابه عمليات البحث البسيطة عن الكلمات الرئيسة من خلال النظر في بيانات النص أو الصورة أو الصوت أو الفيديو الأساسية بدلاً من البحث في التسميات المطبقة يدويًا عليها فحسب.

تنطبق الحاجة على تحديد مطابقة للبيانات المتشابهة عبر مجموعات البيانات الكبيرة على العديد من المجالات. تتضمن أمثلة البحث عن التشابه ما يلي:

• البحث الدلالي عن مستند
• البحث الدلالي عن الصور
• أنظمة التوصية
• تمييز الأنماط
• الكشف عن الأخطاء والاحتيال

1. البيانات غير المنظمة مثل الملفات أو المستندات أو BLOBS أو CLOBS.
2. استخدم نماذج التضمين التجارية أو مفتوحة المصدر لتكوين الموجهات داخل Oracle Database أو خارجها.
3. يمكن تخزين الموجهات بجوار بيانات الأعمال بحيث تتغير الموجهات أيضًا عند تغيير البيانات.
4. يمكنك البحث عن الموجهات المُخزنة لأكثر الموجهات تشابهًا.
5. يُرجع البحث البيانات الأكثر ملاءمة لك.

يستخدم RAG نتائج البحث عن التشابه لتحسين الدقة والأهمية السياقية لردود نموذج اللغة الكبيرة بخصوص الأسئلة حول بيانات الأعمال. يساعد RAG على تحديد البيانات الخاصة ذات الصلة بالسياق التي ربما لم يتم تدريب LLM عليها ثم استخدامها لزيادة مطالبات المستخدم حتى تتمكن نماذج LLM من الاستجابة بدقة أكبر.

إن الرغبة في الحصول على إجابات ذات جودة أعلى من نماذج LLM عالمية، إذ تمتد عبر العديد من الصناعات. تتضمن بعض الأمثلة على استخدام RAG لتحسين الدقة ما يلي:

• روبوتات المحادثة للمستخدمين الداخليين والخارجيين
• عمليات البحث عن المستندات والملخصات
• تجميع اللغة إلى تعليمات برمجية
• إجابات على الأسئلة التي تتطلب معرفة مُتخصصة ومحددة المجال

يساعد RAG المؤسسات على تقديم إجابات مُخصصة لأسئلة الأعمال من دون التكلفة العالية لإعادة التدريب أو ضبط نماذج LLM.

1. يتيح روبوت المحادثة مربع حوار باستخدام LLM.
2. قم بتشغيل بحث التشابه على بيانات عملك الخاص وتمرير هذه الحقائق إلى LLM.
3. تتم صياغة النتائج بصفتها موجه وسياق لـ LLM.
4. تتلقى LMM مدخلات بيانات الأعمال الحديثة مما يقلل من الخرافات.
5. يتم إرجاع الاستجابات عالية الجودة إلى روبوت المحادثة.