Oracle AI Vector Search

Een zoekopdracht naar overeenkomsten is bedoeld voor het vinden van gerelateerde gegevens op basis van semantische betekenis. Ongestructureerde gegevens zijn moeilijk direct te doorzoeken. Zoeken naar overeenkomsten gaat verder dan eenvoudig zoeken op sleutelwoorden door rekening te houden met de onderliggende tekst-, afbeeldings-, audio- of videogegevens in plaats van alleen de labels te doorzoeken die er handmatig op zijn toegepast.

De noodzaak om een overeenkomst te identificeren voor vergelijkbare gegevens in grote gegevenssets is van toepassing op veel bedrijfstakken. Enkele voorbeelden van zoekopdrachten naar overeenkomsten:

• Semantisch zoeken naar documenten
• Semantisch zoeken naar afbeeldingen
• Aanbevelingssystemen
• Patroonherkenning
• Detectie van afwijkingen en fraude

1. Ongestructureerde gegevens zoals bestanden, documenten, BLOB's of CLOB's.
2. Gebruik commerciële of open-source insluitingsmodellen om vectoren binnen of buiten de Oracle database te maken.
3. De vectoren kunnen naast de bedrijfsgegevens worden opgeslagen. Het voordeel hiervan is dat als de gegevens veranderen, de vectoren ook veranderen.
4. U kunt de opgeslagen vectoren doorzoeken op de meest vergelijkbare vectoren.
5. Met de zoekopdracht worden de meest relevante gegevens voor u geretourneerd.

Met RAG worden de resultaten van het zoeken naar overeenkomsten gebruikt om de nauwkeurigheid en contextuele relevantie te verbeteren van antwoorden uit grote taalmodellen op vragen over bedrijfsgegevens. Met RAG kunnen contextueel relevante privégegevens worden geïdentificeerd waarop de LLM mogelijk niet is getraind. Deze gegevens kunnen vervolgens worden gebruikt om gebruikersprompts te verbeteren, zodat LLM's nauwkeuriger kunnen reageren.

De behoefte om antwoorden van hogere kwaliteit te krijgen van LLM's is universeel en omvat verschillende sectoren. Enkele voorbeelden van het gebruik van RAG voor verbeterde nauwkeurigheid:

• Chatbots voor interne en externe gebruikers
• Zoekopdrachten en overzichten voor documenten
• Synthese van taal naar code
• Antwoorden op vragen waarvoor gespecialiseerde, domeinspecifieke kennis nodig is

RAG helpt organisaties bij het geven van aangepaste antwoorden op zakelijke vragen zonder de hoge kosten voor het opnieuw trainen of fine-tunen van de LLM's.

1. Een chatbot maakt een dialoog met een LLM mogelijk.
2. Voer zoekopdrachten naar overeenkomsten uit op uw persoonlijke bedrijfsgegevens en geef die feiten door aan de LLM.
3. De resultaten worden opgemaakt als een prompt en context voor de LLM.
4. De LLM ontvangt up-to-date bedrijfsgegevens waardoor hallucinaties worden verminderd.
5. De antwoorden van hoge kwaliteit worden teruggestuurd naar de chatbot.