A busca em vetores é um método usado na recuperação de informações e no aprendizado de máquina para encontrar itens semelhantes com base nas representações matemáticas como vetores. Nessa abordagem, cada item é representado como um fator de muitas dimensões, sendo que cada uma corresponde a um aspecto ou característica do item. Depois, os algoritmos de busca em vetores comparam esses vetores para encontrar itens similares, por exemplo, que têm características parecidas ou estão próximos no espaço vetorial. Leia mais aqui.
InterSystems anuncia Disponibilidade Geral do InterSystems IRIS, InterSystems IRIS for Health, e HealthShare Health Connect 2024.3
A versão 2024.3 da plataforma de dadosInterSystems IRIS® ,InterSystems IRIS® for HealthTM, and HealthShare® Health Connect já está disponível para o público em geral.
Bem-vindo à terceira e última publicação de nossos artigos dedicados ao desenvolvimento de aplicações RAG baseadas em modelos LLM. Neste último artigo, veremos, com base em nosso pequeno projeto de exemplo, como podemos encontrar o contexto mais adequado para a pergunta que queremos enviar ao nosso modelo LLM e para isso utilizaremos a funcionalidade de busca vetorial incluída no IRIS.
Motivado pelo feedback pessoal de @EDILSON CARVALHOe uma excelente apresentação de @Michael Braamrelacionada com a Pesquisa Vetorial, gostaria de partilhar a minha abordagem pessoal aos Vectores.
Em ObjectScript, você tem uma ampla coleção de funções que retornam algum valor tipicamente:
set variable = $somefunction(param1,param2, ...)
Não há nada de especial nisso. Mas há um conjunto de funções que classifico como Funções de Lado Esquerdo A especialidade delas é que você também pode usá-las à esquerda do operador igual como um alvo no comando SET:
Com a introdução dos tipos de dados vetoriais e da funcionalidade de Vector Search em IRIS, se abre todo um mundo de possibilidades para o desenvolvimento de aplicações para nós, e um exemplo delas é a que vi recentemente publicada num concurso do Conselho de Saúde de Valencia, onde solicitavam uma ferramenta para ajudar na codificação CID-10 utilizando modelos de IA.
Como poderíamos implementar uma aplicação similar à solicitada? Vejamos o que seria necessário:
Traduzido do Concurso de Artigos da Comunidade Espanhola
Seguindo o último concurso de programação no OEX (Open EXchange) eu tive algumas observações surpreendentes. Havia aplicações quase exclusivas baseadas numa combinação de IA (Inteligência Artificial) com módulos Python "pré-cozidas". Porém, indo mais a fundo, todos os exemplos usaram os mesmos fatores técnicos do IRIS.
Considerando o ponto de vista do IRIS, foi praticamente a mesma coisa seja buscando por textos, ou imagens, ou outro tipo de padrão. Acabou em métodos quase intercambiáveis.
Já estamos em 2024, a versão IRIS 2024.1 acabou de sair e estamos todos falando disso aqui. Já temos muitos tutoriais sobre busca vetorial e aplicações de chats de inteligência artificial. Hoje quero propor algo diferente. Quero apresentar uma ideia e explorar todos os seus limites e, ao longo do texto, vou levantar alguns questionamento sobre a capacidade da ferramentas utilizadas para que possamos compreender não só os resultados de as novas funcionalidades, mas também como a máquina as processa.
No artigo anterior, vimos detalhes a respeito dos conectores, que permitem que o usuário carregue o arquivo, o converta para incorporações e armazene na IRIS DB. Nesse artigo, vamos explorar opções diferentes de recuperações que o Studio IRIS AI oferece: Semantic Search (pesquisa semântica), Chat (conversa), Recommender (recomendação) e Similarity (similaridade).
Aqui vai um simples passo a passo sobre as capacidades da plataforma Studio IRIS AI. Ele cobre um fluxo completo de carregar dados no IRIS DB como incorporações de vetor e recuperação de informações usando 4 canais diferentes (pesquisa, conversa, recomendação e similaridade). No último lançamento, adicionei suporte para docker para instalações locais e uma versão ao vivo para explorar.
https://www.youtube.com/embed/X1gzz3Qs2dw [Isso é um link incorporado, mas você não pode ver conteúdo incorporado diretamente no site, porque recusou os cookies necessários para acessá-lo. Para ver o conteúdo incorporado, você precisa aceitar todos os cookies nas suas Definições de cookies]
No artigo anterior, vimos diferentes módulos do Studio IRIS AI e como ele poderia ajudar a explorar as capacidades da GenAI além do IRIS DB perfeitamente, mesmo para alguém não técnico. Nesse artigo, vamos mergulhar a fundo pelo módulo "Connectors", o que permite que os usuários carreguem dados desde uma fonte local ou cloud (AWS S3, Airtable, Azure Blob) no IRSI DB como vetores incorporados, ao configurar também definições de incorporação como modelo e dimensões.
DNA Similarity and Classification é uma API REST utilizando a tecnologia InterSystems Vector Search para investigar semelhanças genéticas e classificar eficientemente sequências de DNA. Este é um aplicativo que utiliza técnicas de inteligência artificial, como aprendizado de máquina, aprimorado por recursos de pesquisa vetorial, para classificar famílias genéticas e identificar DNAs semelhantes conhecidos a partir de um DNA de entrada desconhecido.
A introdução da "Pesquisa Vetorial" da InterSystems marca uma mudança de paradigma no processamento de dados. Esta tecnologia de ponta emprega um modelo de incorporação para transformar dados não estruturados, como texto, em vetores estruturados, resultando em capacidades de pesquisa significativamente aprimoradas.
A maioria dos exemplos que eu vi até agora no OEX (OpenExchange) ou na DC (Developer Community) deixam a impressão de que os VECTORs são apenas algo disponível com SQL com as 3 funções, especialmente em torno de VECTOR_Search. * TO_VECTOR() * VECTOR_DOT_PRODUCT () * VECTOR_COSINE ()
Há um sumário muito útil escondido no pacote demo iris-vector-search. Lá você pode encontrar tudo o que precisa em diversos links e cantos.
Por atualização
Open Exchange app
.png)
