머신 러닝을 통해 검색 수준을 한 단계 높이세요

Elastic은 Lucene의 벡터 필드와 가까운 이웃(ANN, HNSW를 사용하여) 검색으로 구축되어 검색 쿼리를 검색 애플리케이션을 더 빠르고 정확하게 만드는 벡터 기반 검색 개념과 일치시킵니다.

현대 자연어 처리에 대한 지원을 통해 감정 분석, 텍스트 분류 및 명명된 엔티티 인식(NER)을 위해 Elasticsearch 수집 파이프라인과 함께 PyTorch 및 Python 모델을 사용할 수 있습니다. 인기 있는 트랜스포머 모델을 Hugging Face에서 직접 가져옵니다.

데이터를 범주로 분류하거나 추세를 예측하기 위해 예측 모델(지도 학습)을 구축하고 적용합니다. Elastic에서 예측 모델을 적용하기 위해 트랜스포머는 원시 데이터를 데이터 프레임에 매핑합니다.

최종 사용자 위치, 고객 계정 또는 구매 내역 또는 조직 내에서의 역할에 대한 응답을 명명된 엔티티 인식, 텍스트 분류 및 감정 분석을 통해 맞춤화하는 검색을 구축하세요.

자연어 검색을 통해 사용자는 벡터 검색과 가장 가까운 이웃 알고리즘을 사용하여 규모에 맞게 더 빠르고 정확한 결과를 얻을 수 있습니다. 이 알고리즘은 문맥 정보를 캡처하고 검색 질의 뒤에 있는 의미를 잠금 해제합니다.

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

벡터 필드, 텍스트 유사성 검색, 채우기 마스크 및 텍스트 분류 작업을 사용하여 웹사이트 FAQ, 도움말 센터 또는 지원 기술 자료에서 유사한 질문을 찾아 최종 사용자와 관련된 답변을 더 빨리 얻을 수 있습니다.

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 상관 관계를 제공하는 머신 러닝 모델을 사용하여 콘텐츠 또는 제품 카탈로그의 공백과 같은 검색 데이터의 패턴을 찾아 대응합니다.