Oracle AI Vector Search

A pesquisa de similaridade está focada em encontrar dados relacionados com base em seu significado semântico. É difícil pesquisar dados não estruturados diretamente, portanto, a pesquisa por similaridade vai além das simples pesquisas por palavras-chave, considerando os dados subjacentes de texto, imagem, áudio ou vídeo, em vez de pesquisar apenas os rótulos aplicados manualmente a eles.

A necessidade de identificar uma correspondência para dados semelhantes em grandes conjuntos de dados se aplica a muitos setores. Exemplos de pesquisa de similaridade incluem o seguinte:

• Pesquisa semântica de documento
• Pesquisa semântica de imagens
• Sistemas de recomendação
• Reconhecimento de padrões
• Detecção de anomalias e fraudes

1. Dados não estruturados, como arquivos, documentos, BLOBS ou CLOBS.
2. Use modelos de incorporação comerciais ou de código aberto para criar vetores dentro ou fora do Oracle Database.
3. Os vetores podem ser armazenados ao lado dos dados de negócios, de modo que, quando os dados forem modificados, os vetores também serão alterados.
4. Você pode pesquisar os vetores armazenados para encontrar os vetores mais semelhantes.
5. A pesquisa retorna os dados mais relevantes para você.

A geração aumentada de recuperação usa os resultados da pesquisa de similaridade para melhorar a precisão e a relevância contextual das respostas de modelos de linguagem grandes a perguntas sobre dados comerciais. Ela ajuda a identificar dados privados contextualmente relevantes nos quais o LLM pode não ter sido treinado e, em seguida, os usa para ampliar os prompts do usuário para que os LLMs possam responder com maior precisão.

O desejo de obter respostas de maior qualidade dos LLMs é universal, abrangendo muitas indústrias. Alguns exemplos de uso de RAG para melhorar a precisão incluem:

• Chatbots para usuários internos e externos
• Pesquisas e resumos de documentos
• Linguagem para síntese de código
• Respostas a perguntas que exigem conhecimento especializado e específico do domínio

A geração aumentada de recuperação ajuda as organizações a fornecer respostas personalizadas para perguntas de negócios sem o alto custo de reciclagem ou ajuste fino dos LLMs.

1. Um chatbot permite o diálogo com um LLM.
2. Faça uma pesquisa de similaridade em seus dados comerciais privados e passe esses fatos para o LLM.
3. Os resultados são formatados como um prompt e contexto para o LLM.
4. O LMM recebe entradas de dados de negócios atualizadas, reduzindo as alucinações.
5. As respostas de alta qualidade são retornadas ao chatbot.