Pencarian Vektor dengan Penyimpanan Vektor
Mengambil bacaan yang paling relevan
Pencarian Vektor dengan Penyimpanan Vektor adalah pelajaran NLP Academy gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar NLP Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus NLP Academy mencakup 4 pelajaran total.
Fungsi Penyimpanan Vektor
Penyimpanan vektor menyimpan embedding potongan Anda dan dengan cepat menemukan potongan yang paling dekat dengan kueri, bahkan di antara jutaan vektor.
Mencari Berdasarkan Kemiripan
Alih-alih mencocokkan kata kunci, Anda mencocokkan makna. Penyimpanan tersebut mengembalikan potongan yang vektornya paling dekat dengan vektor kueri.
Kemiripan Kosinus
Ukuran jarak yang umum digunakan adalah kemiripan kosinus. Ukuran ini membandingkan sudut antara dua vektor, sehingga kemiripan makna yang lebih dekat menghasilkan skor lebih tinggi.
Lakukan Embedding pada Kueri dengan Cara yang Sama
Pertanyaan harus menggunakan model yang sama dengan potongan Anda. Embedding yang tidak cocok berada di ruang yang berbeda dan tidak dapat dibandingkan.
query_vec = model.encode(["How do I reset my password?"])Pengambilan Top-K
Anda hampir tidak pernah membutuhkan semua kecocokan. Minta penyimpanan mengembalikan potongan terdekat top-k, dengan k berupa angka kecil seperti 3 atau 5.
Penyimpanan Sederhana dalam Memori
Untuk data berukuran kecil, FAISS menyimpan vektor di memori dan melakukan pencarian dalam hitungan milidetik. Anda membuat sebuah indeks, lalu menambahkan vektor Anda.
import faiss
index = faiss.IndexFlatIP(384)
index.add(vectors)Menjalankan Pencarian
Panggil search dengan vektor kueri dan k. Fungsi ini mengembalikan skor dan indeks potongan yang paling cocok.
scores, ids = index.search(query_vec, k=3)Memetakan Hasil Kembali ke Teks
Penyimpanan memberi Anda indeks, bukan teks. Gunakan indeks tersebut untuk mencari potongan asli yang Anda simpan bersama vektor.
hits = [chunks[i] for i in ids[0]]Basis Data Vektor Persisten
Untuk aplikasi nyata, basis data vektor seperti Chroma atau Pinecone menyimpan vektor di disk, dapat diperluas, dan tetap bertahan setelah dimulai ulang.
Memfilter dengan Metadata
Tambahkan tag seperti penulis atau tanggal ke setiap vektor. Kemudian Anda dapat memfilter pencarian, misalnya hanya mengambil potongan dari satu dokumen.
Mengapa Pencarian Aproksimasi Membantu
Pencarian persis menjadi lambat saat skala data membesar. Indeks tetangga terdekat aproksimasi menukar sedikit akurasi dengan peningkatan kecepatan yang sangat besar.
Pemeriksaan Cepat
Ingat kembali cara penyimpanan vektor menemukan potongan yang relevan.
Rangkuman
Penyimpanan vektor melakukan embedding pada kueri, menemukan potongan terdekat top-k berdasarkan kemiripan, lalu memetakan hasilnya kembali ke teks. ✅
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Pencarian Vektor dengan Penyimpanan Vektor” gratis?
Ya — teks lengkap “Pencarian Vektor dengan Penyimpanan Vektor” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus NLP Academy, upgrade ke CoddyKit PRO. Kursus NLP Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Pencarian Vektor dengan Penyimpanan Vektor”?
Mengambil bacaan yang paling relevan Kamu berlatih NLP Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai NLP Academy?
Tidak diperlukan pengalaman sebelumnya. NLP Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.
Berapa lama pelajaran “Pencarian Vektor dengan Penyimpanan Vektor” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran NLP Academy ini?
Ya. Setiap pelajaran NLP Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Mengapa LLM Memerlukan Retrieval
- Membagi dan Membuat Embedding Dokumen
- Pencarian Vektor dengan Penyimpanan Vektor
- Memasukkan Retrieval ke dalam Prompt