AI大模型 向量Embeddings+向量数据库实现文搜文、图搜图

文搜文、图搜图介绍:

IT营大地老师主讲AI大模型 向量Embeddings+向量数据库实现文搜文、图搜图学习：

AI教程

文搜文 ：即文本搜索文本，是指通过输入关键词或短语，在大量文本数据中检索出与之相关的内容 。 搜 索引擎（百度、谷歌、 360 ） 、 文档管理系统 、 电商搜索 。

图搜图 ：即图像搜索图像，是一种基于图像内容的搜索技术 。 电商平台 、 版权保护 、 设计行业 、 智 慧医疗 （ 医生可以通过图搜图技术检索医学影像库中的相似病例，辅助病情诊断和治疗方案的制定 ）、 旅游出行 。

传统的 Elasticsearch 全文搜索引擎可以通过分词实现搜索功能，但是要实现图搜图就无从下手了。

向量 Embeddings 结合向量数据库不仅可以实现文搜文，还实现图搜图。

向量 Embeddings 结合向量数据库在向量搜索领域相比 Elasticsearch 具有更高的性能（比如相似度）、更强的灵活性和可扩展性、更低的开发门槛和成本效益，以及更广泛的应用场景。

比如 Milvus 向量数据库，在 万亿条 向量数据中检索数据可以实现毫秒级别的速度。

向量 Embeddings 介绍：

向量 Embeddings 也叫向量嵌入（ Vector Embeddings ），是自然语言处理（ NLP ）和机器学习领域中一个非常重要的概念，它是一种将高维数据（如文本、图像、音频或视频等）映射到低维空间（向量）的技术。这种转换使得这些数据（如文本、图像、音频或视频等）能够在数学上被处理，从而能够进行自然语言搜索、分类、计算等操作。

非结构化数据 ( 如 WORD 、 PDF 、 TXT 等 ) ，通过 深度学习模型 ( 神经网络 ) ，把 自然语言 转换成 向量 ，这样就可以实现自然语言搜索、分类、计算等操作。

深度学习向量模型 （神经网络）目前已经非常成熟，如何借助深度学习模型把 非结构化数据转换成向 量 ， 并对向量进行处理 是目前开发 AI 大模型应用开发比较关注的问题。

向量 Embeddings 在多个领域都有广泛的应用，包括但不限于：

1、自然语言处理（ NLP ） ：在 NLP 中，单词 Embedding （词嵌入）是一种常见的技术，用于将单词转换为连续向量表示。这种表示方法有助于捕捉单词之间的语义关系，从而提高NLP 任务的性能， 如文本分类、情感分析、机器翻译等。

2、图像处理 ：在图像处理领域，图像 Embedding 技术可以将图像转换为向量表示，从而便于进行图像分类、识别、检索等任务。

3、推荐系统 ：推荐系统可以利用用户行为数据（如点击、购买、评分等）和物品属性数据（如标题、描述、图片等）生成向量表示，进而计算用户与物品之间的相似度，从而为用户推荐可能感兴趣的物品。

这张图片通过坐标系和向量化表示的方法，展示了四种动物（猫、狗、牛、羊）在某种 抽象空间 中的位置关系 。

通过把自燃语言向量转化为向量，可以让我们在向量空间中进行语义搜索、分类、计算等操作。

比如我们把 “ 宠物 ” 向量化，然后用对应的向量进行搜索，就可以获取猫和狗的向量数据。比如我们把 “ 家畜“ 向量化，然后用应的向量进行搜索就可以搜索到牛和羊对应的向量，从而实现语言搜索。

Embeddings 大模型 : BERT ( Google 开发 ) 、 GPT 系列 、 Word2Vec 、 百度文心大模型 、 bge-large- zh 、 智谱 、 讯飞新火 等。