參加Google Cloud AI Study Jam 2024 - 生成式 AI 培訓計劃 參加Google Cloud AI Study Jam 2024 - 生成式 AI 培訓計劃 網站: https://rsvp.withgoogle.com/events/csj-tw-2024 指定學習教材 Path 3: Advanced: Generative AI for Developers Learning Path (12 堂課程) Vector Search and Embeddings Search 搜尋 每天都會有搜尋的需求，例如要找某個產品的資料、想要旅遊行程。在企業上想要用影像搜尋、自然語言搜尋、推薦工具來管理內部資訊等等。在企業內部搜尋相關文件、找出必要的主題內容專家(SME)或跨團隊探索使用範例。向量搜尋是著重於語意相似度(Semantic similarity)的技術，可以用於上面情境。 Vector Search and Embeddings (1) 向量搜尋如何工作 Encode:將輸入資料(文字、圖片、聲音、影像、編碼等等)使用embeding模型來將資料轉成向量格式， Index:然後建立索引，以向量的方式可以更快速與更廣的方式搜尋 Search:在向量空間上搜尋類似的資訊 (2)向量搜尋運作的方式 Build: 會將Meta資料透過embeding模型產生向量並建立索引後，儲存在向量資料庫(Vector Space)中 Query: 先把搜尋的句子透過embeding模型產生向量來跟向量資料庫(Vector Space)進行搜尋 (3)向量資料庫的挑戰 問題 技術 編碼 如何建立多模態的資料(文字、圖片、聲音、影像、編碼)來語意表示 Embeddings 建立索引與搜尋 建立快速且有效的搜尋 Vector Search 傳統與向量搜尋的比較 傳統搜尋 選項 說明