머신 러닝으로 검색을 한 단계 업그레이드

Elastic은 Lucene의 벡터 필드와 HNSW 기반의 근사 최근접 이웃(ANN) 검색으로 구축되어 검색 쿼리를 벡터 기반 검색 개념과 일치시킴으로써 특히 대규모에서 검색 애플리케이션을 더 빠르고 정확하게 만듭니다. Elastic의 벡터 데이터베이스로 임베딩을 생성, 저장, 쿼리하세요.

최신 자연어 처리에 대한 지원 덕분에 PyTorch, Python, 트랜스포머 모델을 Elasticsearch 수집 파이프라인과 함께 사용하여 감정 분석, 텍스트 분류 및 명명된 엔티티 인식(NER)을 제공할 수 있습니다. 인기 있는 트랜스포머 모델을 Hugging Face에서 직접 가져오세요.

데이터를 범주로 분류하거나 추세를 예측하기 위해 예측 모델(지도 학습)을 구축하고 적용합니다. Elastic에서 예측 모델을 적용하려면 변환 유틸리티를 사용하여 Elasticsearch 인덱스의 원시 데이터를 데이터 프레임으로 변환하세요.

명명된 엔티티 인식과 텍스트 분류를 통해 최종 사용자 위치, 고객 계정이나 구매 내역, 조직 내에서의 역할 등에 따라 응답을 맞춤화하는 검색을 구축하세요.

사용자는 자연어 검색을 통해 대규모로 더 빠르고 정확한 결과를 얻을 수 있습니다. Elastic의 기본 제공 모델을 사용하거나, 컨텍스트 정보를 캡처하고 검색 쿼리 이면의 의미를 활용하는 벡터 검색 및 근사 최근접 이웃 알고리즘을 사용하여 모델을 구축하세요.

제품 검색 및 교차 판매, 이미지 추적 및 인증을 위해 대규모 데이터 세트 간에 이미지를 비교하세요.

벡터 필드 및 텍스트 유사성 검색을 사용하여 FAQ, 도움말 센터 또는 지원 기술 자료에서 유사한 질문을 찾아 사용자에게 정확한 답변을 더 빠르게 제공하세요. LLM 및 생성형 AI를 사용하여 새로운 경험을 제공할 때 더 정확한 결과를 위해 독점 데이터를 연결하세요.

웹사이트에서 별점 5개짜리 고객 리뷰나 유사한 뉴스를 함께 보여주도록 콘텐츠를 구성하거나, 연구 데이터를 분류하거나, 명명된 엔티티 인식, 텍스트 임베딩, 제로샷 분류 및 감정 분석을 통해 고객 지원 문제를 라우팅합니다.

검색 분석 및 동작을 분류, 클러스터링 및 연관시키는 머신 러닝 모델을 사용하여 콘텐츠 또는 제품 카탈로그의 차이와 같은 검색 데이터의 패턴을 찾아 대응합니다.