Νικόλαος Λυμπιτάκης, Κατασκευή ενός RAG Chatbot για
Ξενοδοχειακή Υποστήριξη
20
Η κύρια δυνατότητα των διανυσματικών βάσεων είναι η παροχή γρήγορης και
ακριβούς αναζήτησης ομοιότητας και ανάκτησης, καθώς μπορούν να βρουν τα πιο
παρόμοια ή σχετικά δεδομένα βάσει της διανυσματικής απόστασης ή ομοιότητάς τους.
Αυτή η ικανότητα αξιοποιείται από το γεγονός ότι ο embeddings extractor (τυπικά ένα
νευρωνικό δίκτυο) έχει σχεδιαστεί έτσι ώστε η απόσταση μεταξύ των embeddings να
αντικατοπτρίζει την ομοιότητα μεταξύ των αντίστοιχων πολυμέσων τους.
Στη βάση της τεχνολογίας των διανυσματικών βάσεων δεδομένων βρίσκεται το
FAISS (Facebook AI Similarity Search), που αποτελεί βιβλιοθήκη αφιερωμένη στην
αναζήτηση διανυσματικής ομοιότητας, μια βασική λειτουργικότητα των διανυσματικών
βάσεων δεδομένων. Το FAISS είναι μια βιβλιοθήκη μεθόδων ευρετηρίασης σχετικών
στοιχείων που χρησιμοποιούνται για την αναζήτηση, ομαδοποίηση, συμπίεση και
μετασχηματισμό διανυσμάτων. Από την κυκλοφορία του το 2017, το FAISS έχει αναδειχθεί
ως μία από τις πιο δημοφιλείς βιβλιοθήκες διανυσματικής αναζήτησης, συγκεντρώνοντας
30.000 αστέρια στο GitHub και περισσότερες από 4.000 παραπομπές στη δημοσίευσή του
για την υλοποίηση GPU. Τεχνολογικά, το FAISS χρησιμοποιεί Approximate Nearest
Neighbor (ANNS) τεχνική, η οποία δίνει προτεραιότητα στην επίτευξη γρηγορότερων
χρόνων αναζήτησης μέσω εύρεσης του πλησιέστερου γείτονα σε μεγάλα δεδομένα
Στον χώρο της τεχνητής νοημοσύνης, οι διανυσματικές βάσεις δεδομένων
αποτελούν βασικό στοιχείο για την ενίσχυση μεγάλων γλωσσικών μοντέλων. Όταν ένας
τελικός χρήστης κάνει ένα prompt σε έναν chatbot, το ερώτημα φυσικής γλώσσας
διανυσματοποιείται και χρησιμοποιείται ως διάνυσμα ερωτήματος για μια διανυσματική
βάση δεδομένων μακροχρόνιας μνήμης για να βρει τις top-k παρόμοιες συνομιλίες. Η
προσέγγιση retrieval augmented generation (RAG) χρησιμοποιεί διανυσματικές βάσεις για
να αποθηκεύσει έγγραφα τα οποία χρησιμοποιούνται ως επιπλέον input που παρέχει