DashVector：Skenario

Dalam skenario ini, kemampuan pencarian dan rekomendasi diaktifkan berdasarkan kesamaan antara vektor dalam database vektor. Sebagai contoh, platform e-commerce yang menyimpan sejumlah besar gambar produk dan informasi deskripsi memungkinkan pengguna mencari produk menggunakan gambar atau deskripsi. Selain itu, platform secara otomatis merekomendasikan produk yang kemungkinan besar diminati oleh pengguna.

Pengguna hanya perlu menyematkan gambar dan deskripsi produk ke dalam data vektor dan menyimpan data vektor tersebut dalam database vektor. Jika pengguna mengajukan permintaan pencarian, DashVector mengonversi permintaan menjadi vektor, menghitung kesamaan antara vektor tersebut dengan data vektor semua produk dalam database vektor, lalu mengembalikan sejumlah produk yang paling mirip dengan permintaan pencarian. Selain itu, DashVector mengonversi riwayat penjelajahan dan pembelian pengguna menjadi data vektor untuk dibandingkan dengan data vektor semua produk. Produk yang paling mirip dengan perilaku historis dan preferensi dikembalikan dan direkomendasikan. Dengan cara ini, layanan yang lebih cerdas dan dipersonalisasi diberikan untuk mencapai pengalaman belanja yang lebih baik dan efisien.

Sistem tanya-jawab adalah aplikasi umum dalam bidang pemrosesan bahasa alami. Sistem tanya-jawab tipikal meliputi Tongyi Qianwen, ChatGPT, sistem layanan pelanggan online, dan chatbot QA. Sebagai contoh, sistem tanya-jawab berisi sejumlah pertanyaan yang telah ditentukan sebelumnya dan jawaban yang sesuai. Ketika pengguna memasukkan pertanyaan, sistem diharapkan menemukan pertanyaan yang telah ditentukan sebelumnya yang paling mirip dan mengembalikan jawaban yang sesuai. Untuk mewujudkan fitur ini, DashVector mengonversi pertanyaan yang telah ditentukan sebelumnya dan jawaban yang sesuai menjadi data vektor dan menyimpan data vektor tersebut dalam database vektor. Ketika pengguna memasukkan pertanyaan, DashVector mengonversi pertanyaan menjadi vektor dan melakukan kueri berbasis vektor untuk menemukan pertanyaan yang telah ditentukan sebelumnya yang paling mirip dalam database vektor. Diikuti dengan langkah-langkah seperti pelatihan model, penalaran tanya-jawab, dan optimasi, sistem interaksi bahasa cerdas seperti Tongyi Qianwen dan ChatGPT dibangun.

Saat ini, situs materi gambar berskala besar dan aplikasi jejaring sosial umumnya berisi ratusan juta hingga puluhan miliar gambar. Pada platform seperti itu, pengguna tidak dapat menemukan gambar yang mereka butuhkan hanya dengan menggunakan kata-kata sederhana atau gambar saja. Dengan DashVector, konten gambar dan deskripsinya disimpan sebagai data vektor dalam database vektor. Metode ini memungkinkan pengguna mencari gambar berdasarkan teks, gambar, atau kombinasi keduanya. Permintaan pencarian dikonversi menjadi vektor dan dibandingkan dengan data vektor dalam database, sehingga pengguna dapat menemukan gambar yang relevan dengan lebih cepat dan mudah.

Dalam skenario pencarian video, platform seperti sistem pengawasan video, situs sumber daya video, dan aplikasi video pendek membawa sejumlah besar data video. DashVector mengonversi data video menjadi data vektor dan menyimpan data vektor tersebut dalam database vektor. Jika pengguna melihat cuplikan film atau tangkapan layar video dan menggunakan sistem pencarian video berbasis kesamaan konten vektor untuk melakukan pencarian video berbasis vektor konten, DashVector menemukan video yang paling mirip dengan video sumber atau tangkapan layar dan mengembalikan video tersebut kepada pengguna. Pada saat yang sama, DashVector memungkinkan pengguna mencari video berdasarkan pengelompokan. Video diurutkan ke dalam kluster, dan pencarian dilakukan dalam kluster untuk meningkatkan efisiensi dan akurasi pencarian.

Dalam skenario deteksi molekul, sidik jari molekul seperti Extended-Connectivity Fingerprint (ECFP) dan kunci Molecular Access System (MACCS) dikonversi menjadi data vektor dan disimpan dalam database vektor. Saat pengguna mengajukan permintaan pencarian, DashVector menggunakan metode serupa untuk mengonversi permintaan menjadi vektor. Vektor tersebut kemudian dibandingkan dengan data vektor molekul yang tersimpan di database untuk menemukan yang paling mirip, dan hasilnya dikembalikan kepada pengguna. Melalui pendekatan ini, pencarian serta penyaringan molekul berdasarkan kesamaan struktur molekul diimplementasikan, memberikan solusi yang lebih cerdas dan efisien untuk penemuan molekul dan desain obat.