Database vettoriale
Ultimo aggiornamento:
Che cos'è un database vettoriale
Un database vettoriale salva i dati come vettori: lunghe sequenze di numeri prodotte da un modello di embedding. Testi con significato simile ottengono vettori vicini tra loro, quindi il database può rispondere a «quali passaggi salvati sono più vicini nel significato a questo testo?» invece che a «quali righe contengono esattamente questa parola?».
Il termine comprende sia prodotti dedicati solo ai vettori sia database tradizionali a cui sono state aggiunte colonne e indici vettoriali. In comune hanno la capacità di eseguire ricerche per similarità su grandi raccolte di dati.
Come funziona
Quando aggiungi contenuti, ogni porzione di testo viene trasformata in un embedding e salvata insieme al testo originale e a metadati come fonte, titolo o data. Al momento della domanda, la richiesta viene convertita in embedding con lo stesso modello e il database restituisce i vettori più vicini secondo una misura di distanza, per esempio la similarità del coseno.
Confrontare la domanda con ogni vettore salvato è preciso ma lento su grandi volumi. Per questo la maggior parte dei database vettoriali usa un indice di ricerca approssimata dei vicini più prossimi (ANN), che sacrifica un po' di precisione in cambio di ricerche molto più veloci.
- Memorizzazione: testo, embedding e metadati vengono salvati insieme.
- Indicizzazione: un indice ANN organizza i vettori per trovare in fretta quelli vicini.
- Interrogazione: la domanda diventa un embedding e il database restituisce i vettori più vicini.
- Filtri: i filtri sui metadati, per esempio solo i dati di un certo cliente, restringono i risultati.
Un esempio
Un negozio di biciclette ha qualche centinaio di articoli di assistenza. Un visitatore chiede: «Posso riportare la mia e-bike se cambio idea?». Nessun articolo contiene queste parole, ma la politica di reso parla di «rimborso dopo l'acquisto». Poiché entrambi i testi trattano la restituzione di un prodotto, i loro embedding sono vicini e il database vettoriale restituisce la politica di reso come primo risultato. Il chatbot risponde poi basandosi su quella pagina.
Perché conta per i chatbot aziendali
Il database vettoriale è lo strato di recupero della maggior parte dei sistemi di retrieval-augmented generation (RAG). Decide quali passaggi vede il modello linguistico prima di rispondere, quindi incide direttamente sulla qualità delle risposte. Se il passaggio giusto non viene recuperato, il modello non può usarlo.
La sola ricerca vettoriale ha un limite noto: identificativi esatti come codici prodotto, numeri di modello o nomi rari non sempre vengono trovati in modo affidabile in base al significato. Per questo molti chatbot combinano ricerca vettoriale e ricerca per parole chiave in un sistema ibrido.
Come lo gestisce intoCHAT
Con intoCHAT non devi configurare né gestire un database vettoriale. Quando aggiungi un sito web, un file, un testo o una coppia di domanda e risposta, intoCHAT divide il contenuto in frammenti, crea un embedding per ciascuno e li memorizza e indicizza al posto tuo. Quando un visitatore fa una domanda, intoCHAT esegue una ricerca vettoriale insieme a una ricerca per parole chiave e unisce le due classifiche prima che l'agente risponda.