Словарь ИИ
Что такое векторный поиск
Коротко
Векторный поиск это поиск по смыслу: запрос и документы переводят в наборы чисел и находят тексты, чьи числа ближе всего к запросу.
Поиск и RAG · vector search
Михаил МозгПроверено: 1 минута чтения
Ребенку
Ты спрашиваешь друга: «Во что поиграть, когда идет дождь?». Он не ищет слово «дождь» в книжке с играми, а вспоминает настольные игры, конструктор и прятки дома. Он понял, что ты имеешь в виду. Векторный поиск учит компьютер так же понимать смысл вопроса, а не только искать одинаковые слова.
Простыми словами
Обычный поиск ищет слова из запроса в тексте. Если в документе написано «расторжение договора», а вы спросили «как разорвать контракт», он может ничего не найти. Здесь все иначе. Специальная модель превращает каждый фрагмент текста в набор чисел, который описывает его смысл. Запрос превращается в такой же набор. Дальше система берет фрагменты, чьи числа ближе всего к числам запроса. Фразы с похожим смыслом получают близкие числа, даже если в них нет ни одного общего слова.
Для бизнеса
Семантический поиск решает то, что раздражает сотрудников и клиентов в обычном: синонимы, опечатки, вопросы своими словами. Его ставят в поиск по базе знаний, каталогу и обращениям в поддержку, и он же первый шаг любого ассистента по документам. Затраты складываются из расчета эмбеддингов для всех документов, их хранения и пересчета при смене модели. Слабое место: он хуже находит артикулы, номера и редкие термины, поэтому в рабочих системах его дополняют поиском по словам. Качество проверяют на ваших реальных запросах: как часто нужный документ попадает в первую пятерку. На таком поиске построен ИИ-ассистент по документам.
Для специалиста
Векторный, или плотный, поиск (dense retrieval) сопоставляет запрос и документы в общем пространстве эмбеддингов. В схеме двух энкодеров (bi-encoder, dual encoder) запрос и фрагмент кодируются независимо, поэтому эмбеддинги корпуса считают заранее, а релевантность оценивают скалярным произведением или косинусом. Работа Karpukhin и др. (2020) о Dense Passage Retrieval показала, что такой ретривер, обученный на небольшом числе пар «вопрос и фрагмент», превосходит BM25 на 9-19 пунктов по точности top-20 в открытых вопросах. Индекс фрагментов авторы строили в библиотеке FAISS. Для больших корпусов поиск ведут приближенно (ANN, например HNSW). Ограничения метода: слабое совпадение по редким токенам и точным идентификаторам, зависимость от домена, на котором учили энкодер. Их компенсируют гибридным поиском и переранжированием.
Пример
Сотрудник ищет в базе знаний «что делать, если клиент просит деньги назад». Векторный поиск находит регламент «Порядок возврата средств», хотя ни одно слово запроса в его названии не встречается.
Связанные термины
Вопросы и ответы
Чем векторный поиск отличается от полнотекстового?
Семантический и векторный поиск это одно и то же?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений