Facettensuche: KI zur Verbesserung des Suchumfangs und der Suchergebnisse

Elasticsearch verfügt über native Integrationen mit den branchenführenden Gen-AI-Tools und -Anbietern. Sehen Sie sich unsere Webinare zu den Themen „RAG-Grundlagen“ oder zum „Erstellen produktionsreifer Apps“ mit der Elastic-Vektordatenbank an.

Um die besten Suchlösungen für Ihren Anwendungsfall zu entwickeln, starten Sie jetzt eine kostenlose Cloud-Testversion oder testen Sie Elastic auf Ihrem lokalen Rechner.

In diesem Artikel werden wir untersuchen, wie künstliche Intelligenz (KI), insbesondere durch den Einsatz fortschrittlicher Sprachmodelle wie GPT-4, dazu beitragen kann, mehr kontextbezogene Aspekte zu schaffen und diese dadurch für die Nutzer noch relevanter und nützlicher zu machen.

Die Facettensuche ist ein leistungsstarkes Werkzeug in E-Commerce-Plattformen. Es hilft dabei, Suchergebnisse anhand der Eigenschaften der angezeigten Elemente zu organisieren und zu verfeinern. Facetten werden zwar oft mit Filtern verwechselt, funktionieren aber anders. Filter sind feste Attribute, die durch Informationen definiert werden, die immer im Index vorhanden sind, wie zum Beispiel die Kategorie oder das Format eines Produkts. Facetten hingegen sind dynamisch und werden aus den Ergebnissen der ausgeführten Suche generiert.

Stellen Sie sich einen Bekleidungskatalog vor: Felder wie „Kategorie“ (z. B. T-Shirts, Hosen) oder „Geschlecht“ (z. B. männlich, weiblich) sind Filter, die dabei helfen, die Ergebnisse einzugrenzen. Die Facetten spiegeln jedoch spezifische Eigenschaften der in den Ergebnissen angezeigten Produkte wider, wie z. B. gängige Farben, verfügbare Größen oder Materialien. Dies ermöglicht ein anpassungsfähigeres und kontextbezogeneres Sucherlebnis.

Unten sehen Sie ein Bild, auf dem wir mit einem Filter interagieren und die danach gefilterten Suchergebnisse sehen können.

Wie KI die Facettengenerierung verbessern kann

Künstliche Intelligenz wird oft mit semantischer Suche und Einbettungen in Verbindung gebracht, aber was ist mit Facetten? Wie kann KI genutzt werden, um Facetten für jede Suche nützlicher und kontextspezifischer zu gestalten?

Eine interessante Möglichkeit besteht darin, mithilfe von KI neue Kategorisierungen zu erstellen, die über die traditionellen Klassifizierungen im Index hinausgehen. Durch die Analyse spezifischer Merkmale des Inhalts können diese neuen Kategorien eine reichhaltigere und präzisere Kontextualisierung ermöglichen, wodurch die einzelnen Aspekte relevanter und besser auf die Bedürfnisse der Nutzer abgestimmt werden. Dies ermöglicht eine aussagekräftigere Verfeinerung der Ergebnisse im Vergleich zu den ursprünglichen Dokumentenkategorien.

Wie KI die Filmklassifizierung für bessere Suchergebnisse verfeinern kann

Lassen Sie uns die folgenden Filme analysieren, die alle aktuell dem Genre Drama zugeordnet sind:

• Requiem für einen Traum
  Zusammenfassung: Die drogeninduzierten Utopien von vier Bewohnern von Coney Island zerbrechen, als ihre Sucht immer tiefer wird.
• Amerikanische Schönheit
  Zusammenfassung: Ein sexuell frustrierter Vorstadtvater gerät in eine Midlife-Crisis, nachdem er sich in die beste Freundin seiner Tochter verliebt hat.
• Good Will Hunting
  Kurzfassung: Will Hunting, ein Hausmeister am MIT, hat ein Talent für Mathematik, braucht aber die Hilfe eines Psychologen, um in seinem Leben eine Richtung zu finden.

Diese Genreklassifizierung erfasst weder die subtilen Unterschiede noch die einzigartigen Kontexte der einzelnen Filme. Durch den Einsatz von KI zur Analyse von Inhaltsangaben und zentralen Themen können wir neue Kategorien erstellen, die den wahren Kontext jedes Films besser widerspiegeln. Zum Beispiel:

• Requiem für einen Traum – Neue Kategorie: „Sucht und Abhängigkeit“
• American Beauty – Neue Kategorie: „Midlife-Crisis“
• Good Will Hunting – Neue Kategorie: „Intellektueller Kampf“

Durch diese neuen Kategorien werden die Suchergebnisse wesentlich präziser und bieten den Nutzern gleichzeitig aussagekräftigere Filter zur Verfeinerung ihrer Ergebnisse. Dieser Ansatz ist besonders effektiv, wenn die ursprünglichen Kategorien zu allgemein gehalten sind, da er es den Nutzern ermöglicht, leichter genau das zu finden, wonach sie suchen.

Erstellen neuer Kategorien mit GPT-4: Beispiel für die Facettensuche

In diesem Beispiel zeigen wir, wie ein KI-Modell verwendet werden kann, um neue Filmkategorien zu erstellen, die präziser sind und besser auf den Kontext des jeweiligen Werkes abgestimmt sind. Um diesen Prozess zu demonstrieren, werden wir die Elastic-Simulationspipeline zusammen mit dem OpenAI-Inferenzdienst verwenden. Es wird eine Pipeline mit mehreren Prozessoren erstellt, darunter der Skriptprozessor, der für die Erstellung der Eingabeaufforderung zuständig ist, die im Inferenzprozessor ausgeführt werden soll und die neuen Kategorien bestimmen kann. Die anderen Prozessoren werden verwendet, um die während der Pipeline-Ausführung erzeugten Daten und Hilfsfelder zu bearbeiten. Erwähnenswert ist, dass diese Logik auch auf andere ähnliche Werkzeuge oder Modelle angewendet werden kann.

Als erstes müssen wir den Inferenz-Endpunkt erstellen, in dem wir den Dienst als OpenAI, das für den Zugriff auf den Dienst erforderliche Token und das Modell definieren. In diesem Beispiel verwende ich gpt-4o-mini. Für weitere Details zum OpenAI-Inferenzdienst klicken Sie hier.

Nachdem der Endpunkt erstellt wurde, können wir ihn nun verwenden, um die neuen Kategorien zu erstellen. Nachfolgend finden Sie eine Pipeline, die den gesamten Prozess der Dokumentendatenmanipulation und der Generierung von Eingabeaufforderungen übernimmt. Ich werde die Funktion jedes Prozessors im Detail erläutern.

Der erste Prozessor ist für die Erstellung der Eingabeaufforderung zuständig. Es ist sehr wichtig, die Anweisungen klar und detailliert zu formulieren, damit die KI die Themen korrekt analysieren und identifizieren kann. In dieser Aufgabenstellung bitte ich um zwei Themen, die auf der Analyse von Titel, Beschreibung und Genre der Filme basieren.

Die nächste Pipeline ist die Inferenzpipeline. Sie empfängt die Eingabeaufforderung und sendet sie an unseren generate_topics_ia- Endpunkt. Die vom Modell generierte Antwort wird im Ergebnisfeld gespeichert.

Als Nächstes werden 3 Prozessoren verwendet, um die Antwort zu bearbeiten und sie im Themenfeld festzulegen, zusätzlich zum Entfernen temporärer Felder, die ich erstellt habe.

Bei der Ausführung dieser Pipeline erhalten wir die folgenden Ergebnisse:

Beachten Sie, dass wir neue Kategorien haben, die stärker mit dem Kontext der Filme zusammenhängen, auch wenn einige ursprünglich aus demselben Genre stammen.

Wir können diese neuen Kategorien nun verwenden und sie zusammen mit dem Dokument indexieren. Auf diese Weise erhalten wir bei der Erstellung der Facetten neben der Hauptkategorie auch spezifischere Unterkategorien, die auf den Kontext der Filme abgestimmt sind.

Darüber hinaus ist es möglich, diese neuen Kategorien zu vektorisieren und sie in Vektorsuchen zu verwenden. Dies bedeutet, dass die neuen Kategorien nicht nur als Filter dienen, sondern auch zur Berechnung semantischer Ähnlichkeiten mit den Suchbegriffen verwendet werden können, wodurch die Relevanz der präsentierten Ergebnisse weiter erhöht wird.

Vollständige Pipeline:

Fazit

Der Einsatz von KI zur Verbesserung der Suchergebnisse kann das Sucherlebnis grundlegend verändern, indem die Ergebnisse spezifischer und kontextbezogener werden. Im Gegensatz zu festen Kategorien, die oft sehr allgemein gehalten sind, können KI-generierte Kategorien den Kontext besser widerspiegeln. Wenn wir beispielsweise Filme neu klassifizieren, können wir Kontextinformationen erfassen, die in den primären Kategorien fehlen, und so viel relevantere Gruppierungen vornehmen.

Diese neuen Kategorien können dem Index hinzugefügt werden, um nicht nur die Facettierung zu verbessern, sondern auch Vektorsuchen zu ermöglichen. Das Ergebnis ist ein effizienteres Sucherlebnis mit Filtern, die besser auf den Kontext abgestimmt sind.

Referenzen

https://www.elastic.co/guide/en/elasticsearch/reference/current/infer-service-openai.html

https://www.elastic.co/guide/en/elasticsearch/reference/current/simulate-pipeline-api.html

https://www.elastic.co/guide/en/elasticsearch/reference/current/script-processor.html

Häufige Fragen