Oracle AI Vector Search

類似性検索は、セマンティクスに基づいて関連データを検索することに重点を置いています。直接検索することが難しい非構造化データに対し、類似性検索は単純なキーワード検索の枠を超えた検索を実行します。手動で適用されたラベルのみを検索するのではなく、そのデータに内在するテキスト、画像、音声、動画などを考慮します。

あらゆる業界の企業が、大規模なデータセット全体にわたって類似データを特定したいと考えています。類似性検索の例としては、以下のようなものがあります。

• 文書のセマンティック検索
• 画像のセマンティック検索
• 推奨システム
• パターン認識
• 異常と不正の検出

1. ファイル、文書、BLOBまたはCLOBなどの非構造化データ。
2. 商用またはオープンソースの埋込みモデルを使用して、Oracle Databaseの内部または外部にベクトルを作成します。
3. ベクトルはビジネス・データの隣に保存され、データが変更されるとベクトルも変更されます。
4. 保存されたベクトルの中から最も類似したベクトルを検索できます。
5. 検索結果として、最も関連性の高いデータが返されます。

RAGは、類似性検索の結果を利用して、ビジネスデータへの問合せに対する大規模言語モデルの応答の精度と文脈上の関連性を向上させます。RAGは、LLMがトレーニングされていないコンテキストに関連するプライベートデータを特定するのに役立ちます。また、それを使用してユーザーへのプロンプトを強化し、LLMからより正確な回答を引き出します。

LLMからより質の高い回答を得たいという要望は、あらゆる業界に共通するものです。RAGを使用して精度を向上させる例としては、以下のようなものがあります。

• 社内および社外ユーザー向けのチャットボット
• ドキュメントの検索および要約
• 言語からコードへの合成
• 専門的かつ特定の分野の知識を必要とする質問への回答

RAGは、企業がLLMの再トレーニングや微調整に高額なコストをかけることなく、ビジネス上の質問に対するカスタマイズされた回答を得られるよう支援します。

1. チャットボットにより、LLMとの対話が可能になります。
2. 自社のビジネスデータに対して類似性検索を実行し、その結果をLLMに渡します。
3. 結果はLLM用のプロンプトとコンテキストとしてフォーマット化されます。
4. LLMは最新のビジネスデータを受け取り、それによってハルシネーションを軽減します。
5. 高品質な応答がチャットボットに返されます。