Vectorzoekopdracht (semantische zoekopdracht)
Snelle definitie
Vectorzoekopdracht is een opzoekmethode die de items retourneert waarvan de embeddings het dichtst bij de embedding van de query liggen, zodat resultaten overeenkomen op basis van betekenis in plaats van gedeelde trefwoorden. Het is de gebruikelijke motor van semantische zoekopdracht.
Op deze pagina
Hoe vectorzoekopdracht werkt
Elk document, passage of product wordt omgezet in een embedding en opgeslagen in een index. Op het moment van de query wordt de vraag ingebed met hetzelfde model, en de index retourneert de dichtstbijzijnde vectoren, meestal gemeten aan de hand van cosinusovereenstemming. Een klant die vraagt om “iets warms voor het skiën” kan een jas vinden die wordt beschreven als “geïsoleerd, waterdicht winterjack” ook al komt er geen enkel woord overeen.
Het vergelijken van een query met miljoenen vectoren één voor één zou traag zijn, dus indexen gebruiken benaderende nearest-neighbour-algoritmen. HNSW, een gelaagde grafiek beschreven door Malkov en Yashunin in 2016, is een van de meest gebruikte; het verhandelt een kleine verlies van nauwkeurigheid voor zeer snelle zoekopdrachten. Open-source extensies zoals pgvector brengen deze indexen naar PostgreSQL.
Semantische zoekopdracht vs trefwoordzoekopdracht
Trefwoordzoekopdracht (BM25, volledige tekst, trigrammatching) is nauwkeurig op exacte termen: een productreferentie, een merk, een foutcode. Het faalt op synoniemen en parafrasen. Vectorzoekopdracht is het omgekeerde: sterk op betekenis, zwak op exacte strings en zeldzame identificatoren.
Dat is waarom de meeste productiesystemen hybride zoekopdracht gebruiken: voer beide uit, en combineer of her-rangschik de resultaten.
Valstrikken
Vectorzoekopdrachten geven altijd iets terug, zelfs wanneer er niets relevants bestaat, dus een systeem heeft een relevantiedrempel of een controle nodig voordat het de resultaten gebruikt. Het begrijpt geen getallen of beperkingen: “onder de 50 euro, op voorraad, maat M” heeft echte filters op gestructureerde gegevens nodig. En de kwaliteit hangt af van hoe de inhoud is verdeeld: passages die te lang zijn vervagen de betekenis, passages die te kort zijn verliezen de context.
Vectorzoekopdracht in AI SmartTalk
AI SmartTalk slaat embeddings op in PostgreSQL met pgvector, met een HNSW-index op productdocumenten, en combineert vectorovereenkomsten met trigram- en full-text zoekopdrachten. Voor producten voegt de zoektool van de assistent gestructureerde filters toe op prijs, voorraad, merk, categorie en variantattributen, zodat een semantische vraag en een precieze beperking samen kunnen worden beantwoord.
Veelgestelde vragen
Is semantisch zoeken hetzelfde als vectorzoeken?
Semantisch zoeken is het doel — resultaten vinden op basis van betekenis. Vectorzoeken over embeddings is de meest gebruikelijke manier om dit te bereiken, vaak gecombineerd met zoekopdrachten op basis van zoekwoorden.
Heb ik een speciale vectordatabase nodig?
Niet noodzakelijk. Extensies zoals pgvector voegen vectorindexen toe aan PostgreSQL, wat voldoende is voor veel toepassingen en de vectoren naast de rest van de gegevens houdt.
Wat is hybride zoekopdracht?
Een zoekopdracht die vectorzoeken en zoekopdrachten op basis van zoekwoorden samen uitvoert en de resultaten samenvoegt, zodat het zowel parafraserende vragen als exacte termen zoals productreferenties kan verwerken.