借助 Machine Learning 将搜索提升到一个新的水平

Elastic 基于 Lucene 矢量字段和近似最近邻（ANN，使用 HNSW）搜索构建而成，通过将搜索查询与基于矢量的搜索概念进行匹配，使搜索应用程序响应得更快、更准确 — 这一点大规模搜索中，表现尤为突出。

通过支持现代自然语言处理，您可以将 PyTorch 和 Python 模型与 Elasticsearch 采集管道结合使用，以进行情感分析、文本分类和命名实体识别 (NER)。支持直接从 Hugging Face 导入热门的变压器模型。

构建并应用预测模型（监督式学习），对数据进行分类或预测趋势。为了在 Elastic 中应用预测模型，变压器会将原始数据映射到数据帧中。

通过命名实体识别、文本分类和情感分析，构建可针对最终用户位置、客户帐户或购买历史记录或他们在组织内角色进行响应的搜索体验。

自然语言搜索通过矢量搜索和近似最近邻算法捕捉上下文信息并解锁搜索查询背后的含义，让用户可大规模地获得更快、更准确的结果。

跨大型数据集比较图像，以实现产品发现和交叉销售、图像跟踪和身份验证。

通过使用矢量字段、文本相似性搜索、填充掩码和文本分类任务，在您的网站常见问答、帮助中心或支持知识库中查找类似问题，从而更快地为最终用户提供相关答案。

通过命名实体识别、文本嵌入、零样本分类和情感分析来组织内容，以在您的网站上同时显示五星级客户评价或类似的新闻报道，对研究数据进行分类，或发送客户支持问题。

使用 Machine Learning 模型，通过对搜索分析和行为进行分类、聚类和关联，发现搜索数据中的模式并做出有效反应，如内容或商品目录中的空白。