Oracle AI Vector Search

La búsqueda de similitudes se centra en la búsqueda de datos relacionados en función de su significado semántico. Los datos no estructurados son difíciles de buscar directamente, por lo que la búsqueda de similitudes va más allá de las búsquedas simples de palabras clave considerando los datos subyacentes de texto, imagen, audio o video en lugar de buscar únicamente las etiquetas aplicadas de forma manual.

La necesidad de identificar una coincidencia de datos similares en grandes conjuntos de datos está presente en muchos sectores. Entre los ejemplos de búsqueda de similitudes se incluyen los siguientes:

• Búsqueda semántica de documentos
• Búsqueda semántica de imágenes
• Sistemas de recomendaciones
• Reconocimiento de patrones
• Detección de anomalías y fraudes

1. Datos no estructurados, como archivos, documentos, BLOBS o CLOBS.
2. Utiliza modelos de incrustación comerciales o de código abierto para crear vectores dentro o fuera de Oracle Database.
3. Los vectores se pueden almacenar junto a los datos de negocio de modo que, si estos cambian, los vectores también lo hacen.
4. Puedes buscar los vectores más similares entre los almacenados .
5. La búsqueda devuelve los datos más relevantes para ti.

RAG utiliza los resultados de la búsqueda de similitudes para mejorar la precisión y la relevancia contextual de las respuestas de modelos grandes de lenguaje a las preguntas sobre datos de negocio. RAG ayuda a identificar datos privados contextualmente relevantes en los que el LLM puede no haber sido entrenado y, a continuación, los utiliza para mejorar los prompts de usuarios para que los LLM puedan responder con mayor precisión.

El deseo de obtener respuestas de mayor calidad de los LLM es universal, y afecta a múltiples sectores. A continuación incluimos algunos ejemplos de uso de RAG para mejorar la precisión:

• Bots conversacionales para usuarios internos y externos
• Búsquedas y resúmenes de documentos
• Síntesis de lenguaje a código
• Respuestas a preguntas que requieren conocimientos especializados y específicos

RAG ayuda a las organizaciones a proporcionar respuestas personalizadas a las preguntas empresariales sin el alto costo de volver a entrenar o ajustar los LLM.

1. Un chatbot activa un cuadro de diálogo con un LLM.
2. Ejecuta una búsqueda de similitud en los datos de tu negocio privado y transfiere esos hechos al LLM.
3. Los resultados presentan el formato de prompt y el contexto para el LLM.
4. El LLM recibe datos de negocio actualizados, lo que reduce las alucinaciones.
5. Se devuelven respuestas de alta calidad al chatbot.