Vektor bazaları, mətnin, şəklin və ya məhsulun mənasını təmsil edən rəqəmlər siyahısı olan embeddinqləri saxlayır. Marketoloqlar üçün onlar semantik sayt axtarışını, məzmun tövsiyələrini, şirkət sənədlərindən cavab verən AI çat köməkçilərini və oxşar müştəriləri və ya səhifələri tapan alətləri gücləndirir. Siz nadir hallarda birbaşa birini alırsınız; o, adətən artıq istifadə etdiyiniz məhsulun daxilində olur.
OpenAI-nin mətn-embeddinq modelləri, Google-un Gemini embeddinqləri, Cohere Embed və ya BGE və E5 ailələri kimi açıq modellər kimi bir embeddinq modeli məzmunu vektora çevirir. Oxşar mənalı mətnlər bir-birinə yaxınlaşır. Pinecone, Weaviate, Qdrant, Milvus, Chroma və ya PostgreSQL üçün pgvector genişlənməsi kimi bir vektor bazası bu vektorların milyonlarla nüsxəsini saxlayır və ən yaxın olanları sürətlə tapır.
Embeddinq əslində nəyi əhatə edir?
Embeddinq dəqiq sözləri deyil, mənanı əhatə edir. “İstanbul üçün ucuz uçuşlar” və “İstanbul üçün münasib qiymətli aviabiletlər” az söz paylaşır, lakin bir-birinə yaxın düşür. Açar söz axtarışı onları fərqli kimi qəbul edərdi; semantik axtarış isə onları yaxın qonşular kimi qəbul edir.
Bu faydalıdır, lakin məhdudiyyətləri var. Embeddinqlər biznesiniz üçün vacib olan fərqləri, məsələn, “iPhone 15 qabı” və “iPhone 16 qabı” kimi fərqləri qarışdıra bilər. Onlar həmçinin modelin təlim keçdiyi məlumatlardan qərəz və boşluqları miras alırlar. Əksər istehsal sistemləri hər ikisinin ən yaxşısını əldə etmək üçün vektor axtarışını açar söz axtarışı ilə birləşdirir, bu quruluşa hibrid axtarış deyilir.
Marketoloqlar vektor bazaları ilə harada qarşılaşırlar?
Əksər komandalar onları adları ilə çağırmadan artıq istifadə edirlər. Ümumi yerlərə bunlar daxildir.
- Sayt axtarışı: Algolia, Elasticsearch və Shopify axtarış funksiyaları getdikcə daha çox vektor və ya hibrid axtarışdan istifadə edir
- Veb saytlarda kömək məqalələrindən cavab verən, retrieval-augmented generation istifadə edən AI köməkçiləri
- Heyətə brifinqlər, hesabatlar və brend qaydaları üzrə suallar verməyə imkan verən daxili bilik alətləri
- Məzmun tövsiyələri, məsələn, ortaq teqlərdən çox mənaya görə seçilmiş “əlaqəli məqalələr”
- Açar sözləri qruplaşdıran və ya daxili keçid üçün oxşar səhifələri tapan SEO alətləri
- Rəyləri və ya dəstək biletlərini mövzuya görə qruplaşdıran müştəri təhlili
Retrieval-augmented generation onlardan necə istifadə edir?
Adətən RAG kimi qısaldılan retrieval-augmented generation, əksər “sənədlərinizlə çat” alətlərinin arxasındakı nümunədir. Sənədlər hissələrə bölünür, hər hissə embed edilir və saxlanılır. İstifadəçi sual verdikdə, sual da embed edilir, ən yaxın hissələr çıxarılır və onlara əsasən cavab yazan dil modelinə ötürülür.
Marketinq üçün RAG, uydurmaq əvəzinə faktiki geri qaytarma siyasətinizi sitat gətirən çatbot və ya keçən ilin kampaniya nəticələrini saniyələr ərzində tapan daxili köməkçi deməkdir. Keyfiyyət mənbə sənədlərindən çox asılıdır. Hansı bazanın altında olmasından asılı olmayaraq, köhnəlmiş PDF-lər və dublikat versiyalar qarışıq cavablar yaradır.
RAG cavablarını nə daha yaxşı edir
- Hər siyasətin bir versiyası olan təmiz, cari mənbə sənədləri
- Məqbul hissə ölçüləri, çox vaxt bir qədər üst-üstə düşən bir neçə yüz söz
- Nəticələri süzgəcdən keçirmək üçün istifadə olunan tarix, məhsul və dil kimi metadata
- Məhsul kodları kimi dəqiq terminlərin qaçırılmaması üçün hibrid axtarış
- Mənbələrdə cavab olmadıqda modelə “bilmirəm” demək üçün təlimat
Vektor bazası seçməlisinizmi?
Əksər marketinq komandaları üçün xeyr. Semantik axtarış və ya AI köməkçisi təklif edən platformadan istifadə edirsinizsə, satıcı sizin üçün seçimi edib. Sizin işiniz onu yaxşı məzmunla təmin etmək və nəticələri ölçməkdir.
Seçim özünüz bir şey qurduğunuzda, məsələn, agentlik hesabatları üzrə daxili köməkçi yaratdıqda vacibdir. O zaman seçimlər sadəlik və nəzarət arasında tarazlıq yaradır. pgvector artıq PostgreSQL işlədən və orta həcmdə məlumatı olan komandalara uyğundur. Pinecone kimi idarə olunan xidmətlər infrastruktur işini aradan qaldırır. Qdrant və Weaviate kimi açıq mənbəli mühərriklər öz serverlərinizdə işləyə bilər ki, bu da məlumatların müəyyən bir ölkədə qalması lazım olduqda kömək edir.
Məxfilik və məlumat narahatlıqları nələrdir?
Embeddinqlər məzmundan əldə edilir. Məzmun müştəri e-poçtları və ya dəstək çatları kimi şəxsi məlumatları ehtiva edirsə, vektorlar və saxlanılan hissələr də bunu ehtiva edir. Bazaya GDPR və ya KVKK çərçivəsində orijinal məlumatlara yanaşdığınız kimi yanaşın: onun harada yerləşdiyini, kimin ona daxil ola biləcəyini və tələb olunduqda bir şəxsin məlumatlarını necə siləcəyinizi bilin.
Həmçinin embeddinq təminatçısının mətninizlə nə etdiyini yoxlayın. Əsas təminatçıların biznes planları adətən API məlumatlarının təlim üçün istifadə edilmədiyini bildirir, lakin fərz etmək əvəzinə istifadə etdiyiniz planın şərtlərini oxuyun.
Onun işləyib-işləmədiyini necə ölçürsünüz?
Ölçmə istifadə vəziyyətindən asılıdır, lakin prinsip eynidir: əvvəl sahib olduğunuzla müqayisə edin.
- Sayt axtarışı: axtarışdan çıxış dərəcəsi, sıfır nəticəli axtarışlar, axtarışdan alışa konversiya
- Çat köməkçiləri: əl ilə ötürülmədən cavablandırılan sualların payı, istifadəçi reytinqləri, test dəstində dəqiqlik
- Tövsiyələr: klikləmə və aşağı axın konversiyası, teq əsaslı tövsiyələrlə müqayisədə
- Daxili alətlər: sənədi tapmaq üçün sərf olunan vaxt, müəyyən tapşırıqlar üzrə bir neçə əməkdaşla ölçülür
Köməkçilər üçün 50-100 real sualdan ibarət düzgün cavabları olan test dəsti qurun və hər məzmun və ya parametr dəyişikliyindən sonra onu işə salın. Bu, müştərilərdən əvvəl reqressiyaları tutur.
Alien Road vektor bazalarını və embeddinqləri necə tətbiq edir
Tipik bir əməkdaşlıqda kəşfiyyat, axtarışın və ya cavabların bu gün harada uğursuz olduğunu görmək deməkdir: saytda sıfır nəticəli axtarışlar, təkrarlanan dəstək sualları və ya keçmiş işi tapa bilməyən işçilər. Sonra müştərinin cari platformalarının artıq semantik axtarış və ya yalnız daha yaxşı məzmuna ehtiyacı olan bir köməkçi təklif edib-etmədiyini yoxlayırıq.
Xüsusi bir quruluş məntiqli olduqda, quraşdırma məzmunun təmizlənməsini, hissələrə bölünməsini və metadatanı, hibrid axtarış konfiqurasiyasını və sual test dəstini əhatə edir. Biz adətən müştərinin hostinq və məlumat yeri ehtiyaclarından asılı olaraq pgvector və ya idarə olunan xidmətlə başlayırıq. Ölçmə yuxarıdakı göstəriciləri izləyir və aylıq hesabatlara test dəsti balı və köməkçinin aşkar etdiyi məzmun boşluqlarının siyahısı daxildir.
Bu həftə haradan başlamaq lazımdır
GA4-də və ya axtarış alətinizdə sayt axtarışı hesabatınızı açın və son ayın ən yaxşı sıfır nəticəli sorğularını ixrac edin. Onların çoxu sinonimlər və ya açar söz axtarışınızın uyğun gəlmədiyi ifadələr olacaq. Bu siyahı semantik və ya hibrid axtarış üçün biznes işidir.
Artıq çat köməkçisi işlədirsinizsə, düzgün cavabları olan 30 real müştəri sualı yazın və onu sınaqdan keçirin. Uğursuzluqlar əvvəlcə məzmun problemlərinə, sonra isə texnologiya problemlərinə işarə edəcək.
Oxumağa davam edin: Süni intellekt optimallaşdırması · Süni intellekt optimallaşdırması