Skip to content

태그: Vector Search

총 3개의 글이 있습니다.

Index-realated chians

Stuffing 모든 관련 데이터를 프롬프트에 context로 채워 넣어 모델에 전달 제일 심플하지만 데이터가 많으면 답변 품질이 낮아질 수 있음 Map Reduce 각 데이터 chunk에 대해 요약 등 초기 처리(map), 이후 초기출력들을 조합(reduce)해 최종적인 프롬프트를 실행 Refine 첫번째 데이터 청크에서 초기 프롬프트를 실행하여 출력 생성. 앞 단계 출력 + 다음 문서 조합하여 다시 출력 생성 Map Rerank 각 데이터 Chunk에 대해 초기 프롬프트를 실행하고 답변이 얼마나 확실한지에 대한 점수를 부여 점수에 기반하여 응답의 순위가 매겨 가장 높은 점수를 반환 참고

Distance Metrics

Use the distance metric that matches the model that you’re using. Cosine Similarity The cosine similarity measures the angle between two vectors in a multi-dimensional space – with the idea that similar vectors point in a similar direction. Cosine similarity is commonly used in Natural Language Processing (NLP). It measures the similarity between documents regardless of the magnitude. Dot Product

벡터 검색은 데이터의 의미를 기반으로 결과를 반환하는 검색 방법이다. 텍스트 일치를 찾는 기존 전체 텍스트 검색과 달리 벡터 검색은 다차원 공간에서 검색 쿼리에 가까운 벡터를 찾는다. 벡터가 쿼리에 가까울수록 의미가 더 유사하다. 벡터 검색을 통해 검색어와 데이터의 의미를 해석함으로써 검색자의 의도와 검색 컨텍스트를 고려하여 보다 관련성이 높은 결과를 검색할 수 있다. 벡터는 데이터를 여러 차원으로 나타내는 숫자 배열이다. 벡터는 텍스트, 이미지, 오디오, 구조화되지 않은 데이터까지 모든 종류의 데이터를 나타낼 수 있다. 의미적 유사성은 벡터 사이의 거리를 측정하여 결정된다. 과정 벡터 임베딩: vector embedding 데이터의 의미있는 특징을 벡터로 나타낸다. 유사도 점수 계산: similar