DashVector:シナリオ

このようなシナリオでは、ベクトルデータベース内のベクトル間の類似性に基づいて、検索機能とレコメンデーション機能が有効になります。たとえば、E コマースプラットフォームには、大量の商品画像と商品の説明情報が含まれています。ユーザーは、画像または説明情報で商品を検索できることが期待されています。また、プラットフォームは、ユーザーが興味を持ちそうな商品を自動的にレコメンデーションすることも期待されています。

ユーザーは、商品の画像と説明をベクトルデータに埋め込み、ベクトルデータベースに保存するだけで済みます。ユーザーが検索リクエストを開始すると、DashVector はリクエストをベクトルに変換し、ベクトルとベクトルデータベース内のすべての商品のベクトルデータとの類似性を計算し、検索リクエストに最も類似した多数の商品を返します。さらに、DashVector は、ユーザーの閲覧履歴と購入履歴をベクトルデータに変換し、すべての商品のベクトルデータと比較します。過去の行動や好みに最も類似した商品が返され、レコメンデーションされます。このように、よりインテリジェントでパーソナライズされたサービスを提供することで、より快適で効率的な購入体験を実現します。

質疑応答システムは、自然言語処理の分野では一般的なアプリケーションです。典型的な質疑応答システムには、通義千問、ChatGPT、オンラインカスタマーサービスシステム、QA チャットボットなどがあります。たとえば、質疑応答システムには、多数の事前定義された質問と対応する回答が含まれています。ユーザーが質問を入力すると、システムは最も類似した事前定義された質問を見つけ、対応する回答を返すことが期待されます。この機能を実現するために、DashVector は事前定義された質問と対応する回答をベクトルデータに変換し、ベクトルデータベースに保存します。ユーザーが質問を入力すると、DashVector は質問をベクトルに変換し、ベクトルベースのクエリを実行して、ベクトルデータベース内で最も類似した事前定義された質問を見つけます。モデルのトレーニング、質疑応答の推論、最適化などの手順を経て、通義千問や ChatGPT のようなスマート言語インタラクションシステムが構築されます。

現在、大規模な画像素材 Web サイトやソーシャルネットワーキングアプリケーションには、通常、数億枚、あるいは数百億枚もの画像が含まれています。このような Web サイトやアプリケーションでは、ユーザーは単純な単語や画像だけで検索しても必要な画像を見つけることができません。DashVector を使用することで、画像コンテンツと説明がベクトルデータとしてベクトルデータベースに保存されます。これにより、ユーザーはテキストまたは画像、あるいはテキストと画像の組み合わせで画像を検索できます。検索リクエストはベクトルに変換され、データベース内のベクトルデータと比較されます。これにより、ユーザーは必要な画像をより迅速かつユーザーフレンドリーな方法で見つけることができます。

動画検索のシナリオでは、ビデオ監視システム、ビデオリソース Web サイト、ショートビデオアプリケーションなどのプラットフォームには、大量のビデオデータが保存されています。DashVector はビデオデータをベクトルデータに変換し、ベクトルデータベースに保存します。ユーザーが映画のクリップや動画のスクリーンショットを見て、動画類似検索システムを使用してコンテンツベクトルベースの動画検索を実行すると、DashVector はソース動画またはスクリーンショットに最も類似した動画を見つけ、ユーザーに返します。同時に、DashVector では、クラスタリングに基づいて動画を検索できます。動画はクラスタに分類され、検索はクラスタ内で行われるため、検索の効率と精度が向上します。

分子検出のシナリオでは、拡張接続フィンガープリント (ECFP) や分子アクセスシステム (MACCS) キーなどの分子フィンガープリントがベクトルデータに変換され、ベクトルデータベースに保存されます。ユーザーが検索リクエストを開始すると、DashVector は同じ方法を使用してリクエストをベクトルに変換し、ベクトルをデータベースに保存されている分子ベクトルデータと比較して最も類似したものを探し、分子ベクトルデータをユーザーに返します。これにより、分子構造の類似性に基づく分子検索とスクリーニングが実装され、分子発見と創薬のためのよりインテリジェントで効率的なソリューションが提供されます。