Vector Search

Вектор — це список чисел, який кодує семантичний зміст тексту, зображення або аудіо. Коли фрагмент контенту перетворюється на вектор (часто його називають embedding), його можна зберігати у багатовимірному індексі. Запит також перетворюється на вектор, і система обчислює показники схожості — зазвичай косинусну схожість або евклідову відстань — між вектором запиту та збереженими векторами. Елементи з найвищими показниками повертаються як результати пошуку. Цей процес триває мілісекунди, оскільки індекс побудований для швидкого пошуку найближчих сусідів, а не для сканування кожного документа.

1. Визначте контент, який ви хочете зробити доступним для пошуку (назви товарів, FAQ, запити в службу підтримки тощо). 2. Виберіть модель ембедингів, яка відповідає вашій мові та тематиці; поширеним варіантом за замовчуванням є OpenAI’s text‑embedding‑ada‑002. 3. Згенеруйте ембединги для кожної одиниці контенту та збережіть їх у векторній базі даних, як-от Pinecone, Weaviate або у керованому сервісі. 4. Налаштуйте API endpoint, який приймає запит користувача, створює для нього ембединг, виконує пошук найближчих сусідів і повертає N найкращих результатів. 5. Протестуйте роботу з реальними запитами та відрегулюйте кількість результатів або поріг схожості, доки рівень релевантності не стане оптимальним.

Продуктивність зазвичай відстежують за двома метриками: Recall (скільки релевантних елементів міститься у топ-k результатах) та Latency (час від запиту до результату). Ви також можете відстежувати Similarity score distribution, щоб зрозуміти, чи не є поріг занадто суворим або занадто м'яким. У Google Search Console ви не побачите даних, специфічних для векторного пошуку, але ви можете порівняти показники клікабельності (CTR) до та після впровадження Vector Search, щоб оцінити вплив.

• Використання загальної моделі ембедингів для вузькоспеціалізованого технічного жаргону без донавчання (fine-tuning), що призводить до низької релевантності.
• Зберігання сирого тексту разом із векторами та використання лише фільтрів за ключовими словами; це нівелює суть семантичного пошуку.
• Встановлення занадто високого порогу схожості, через що система не повертає результатів для багатьох запитів.
• Ігнорування повторного створення embedding для контенту при його зміні, через що індекс застаріває.

Vector Search працює найкраще, коли корпус достатньо великий, щоб отримати перевагу від семантичного групування; у дуже маленьких каталогах вигода порівняно з простим пошуком за ключовими словами може бути незначною. Це не заміна точному пошуку за ідентифікаторами, такими як SKU. Також вектори не враховують часовий намір — якщо користувач запитує «останні новини», вам все одно потрібен фільтр за датою поза кроком Vector Search. Нарешті, конфіденційні дані не слід надсилати стороннім сервісам створення embedding без належних заходів захисту.

«Я ввів "легкі кросівки для бігу" у рядок пошуку на нашому сайті. Система перетворила цю фразу на embedding, порівняла її з 10 000 embedding товарів і повернула три найкращі варіанти: сітчасті кросівки, дихаючі тренувальні кросівки та мінімалістичне взуття для трейлраннінгу. Користувач за лічені секунди клікнув на сітчасті кросівки, підтвердивши релевантність векторного збігу».

Той самий термін словами, якими про нього питають асистента, а не набирають у рядку пошуку — написано із ситуації, тому кожне питання несе ту ситуацію, з якої виникло.

• OpenAI Embeddings guide
• Wikidata — Q17126276