تحميل vectorai - تنزيل كود المصدر vectorai

vectorai

شفرة المصدر الأخرى

v0.2.5

تنزيل

(تم إهمال VectorAI، ولم تعد تتم صيانته. نوصي باستخدام الذكاء الاصطناعي للملاءمة لاستخدام بحث المتجهات، راجع https://tryrelevance.com )

Vector AI هو إطار عمل مصمم لجعل عملية بناء التطبيقات القائمة على ناقلات درجة الإنتاج في أسرع وقت ممكن وسهولة. يمكنك إنشاء المتجهات وتخزينها ومعالجتها والبحث فيها وتحليلها جنبًا إلى جنب مع مستندات json لتشغيل التطبيقات مثل البحث العصبي والبحث الدلالي والتوصيات المخصصة وما إلى ذلك.

قم بزيارة موقعنا على الإنترنت وقم بالتسجيل للحصول على مفتاح API: https://getvectorai.com
لتوثيق بايثون: https://vector-ai.github.io/vectorai
للحصول على وثائق REST API: https://api.vctr.ai/documentation
انضم إلى خلافنا: https://discord.gg/CbwUxyD
للحصول على مقدمة أكثر لطفاً مقارنة ميزاتنا، اقرأ https://getvectorai.com/production-ready-search-in-5-Minutes/

سمات

تحويل بيانات الوسائط المتعددة : Image2Vec، وAudio2Vec، وما إلى ذلك (يمكن تحويل أي بيانات إلى ناقلات من خلال التعلم الآلي)
المتجر الموجه للمستندات : قم بتخزين المتجهات الخاصة بك جنبًا إلى جنب مع المستندات دون الحاجة إلى إجراء بحث في قاعدة البيانات عن البيانات التعريفية حول المتجهات.
بحث تشابه المتجهات : تمكين البحث عن المتجهات والوسائط المتعددة الغنية من خلال البحث عن تشابه المتجهات. العمود الفقري للعديد من حالات استخدام الذكاء الاصطناعي الشائعة مثل البحث العكسي عن الصور، والتوصيات، والتخصيص، وما إلى ذلك.
البحث المختلط : هناك سيناريوهات لا يكون فيها البحث المتجه فعالاً مثل البحث التقليدي، على سبيل المثال البحث عن skus. يتيح لك Vector AI دمج البحث المتجه مع جميع ميزات البحث التقليدي مثل التصفية والبحث الغامض ومطابقة الكلمات الرئيسية لإنشاء بحث أكثر قوة.
البحث الموزون متعدد النماذج : يتميز بحث المتجهات الخاص بنا بأنه قابل للتخصيص بدرجة كبيرة ويمكنك إجراء عمليات بحث باستخدام ناقلات متعددة من نماذج متعددة ومنحها أوزان مختلفة.
عمليات المتجهات : بحث مرن مع عمليات خارج الصندوق على المتجهات. على سبيل المثال، المتوسط، المتوسط، المبلغ، الخ.
التجميع : كل التجميعات التقليدية التي تتوقعها. على سبيل المثال، المجموعة حسب المتوسط، والجداول المحورية، وما إلى ذلك
التجميع : قم بتفسير المتجهات والبيانات الخاصة بك عن طريق تخصيصها للمجموعات والحصول على إحصائيات حول هذه المجموعات المختلفة بناءً على البيانات التي تقدمها.
تحليلات المتجهات : احصل على فهم أفضل للمتجهات الخاصة بك عن طريق استخدام تحليلات المتجهات العملية المبتكرة، مما يمنحك فهمًا أفضل لجودة المتجهات الخاصة بك.

مصطلحات سريعة

النماذج/أجهزة التشفير (ويعرف أيضًا باسم Embedders) ~ تحول البيانات إلى متجهات، على سبيل المثال يقوم Word2Vec بتحويل الكلمات إلى متجهات
بحث تشابه المتجهات (ويعرف أيضًا باسم بحث أقرب جار، البحث عن بعد)
المجموعة (ويعرف أيضًا باسم الفهرس والجدول) ~ تتكون المجموعة من مستندات متعددة
المستندات (المعروفة أيضًا باسم Json، Item، Dictionary، Row) ~ يمكن أن يحتوي المستند على متجهات ونصوص وروابط لمقاطع الفيديو/الصور/الصوت.

بداية سريعة

التثبيت عبر النقطة! متوافق مع أي نظام تشغيل.

 pip install vectorai

إذا كنت تحتاج إلى الإصدار الليلي بسبب التحسينات المستمرة، فيمكنك تثبيت الإصدار الليلي باستخدام:

 pip install vectorai-nightly

ملاحظة: على الرغم من أن الإصدار الليلي سيستمر في اجتياز الاختبارات التلقائية، إلا أنه قد لا يكون مستقرًا.

تحقق من دفتر الملاحظات السريع الخاص بنا حول كيفية إنشاء محرك بحث للنص/الصورة/الصوت في 5 دقائق: Quickstart.ipynb

 from vectorai import ViClient, request_api_key

api_key = request_api_key(username=<username>, email=<email>, description=<description>, referral_code="github_referred")

vi_client = ViClient(username=username, api_key=api_key)

from vectorai.models.deployed import ViText2Vec
text_encoder = ViText2Vec(username, api_key)

documents = [
    {
        '_id': 0,
        'color': 'red'
    },
    {
        '_id': 1,
        'color': 'blue'
    }
]

# Insert the data
vi_client.insert_documents('test-collection', documents, models={'color': text_encoder.encode})

# Search the data
vi_client.search('test-collection', text_encoder.encode('maroon'), 'color_vector_', page_size=2)

# Get Recommendations
vi_client.search_by_id('test-collection', '1', 'color_vector_', page_size=2)

الوصول إلى تحليلات المتجهات القوية

يتمتع Vector AI بتصورات قوية تسمح لك بتحليل المتجهات الخاصة بك بسهولة قدر الإمكان - في سطر واحد من التعليمات البرمجية.

 vi_client.plot_dimensionality_reduced_vectors(documents, 
    point_label='title', 
    dim_reduction_field='_dr_ivis', 
    cluster_field='centroid_title', cluster_label='centroid_title')

 vi_client.plot_2d_cosine_similarity(
    documents,
    documents[0:2],
    vector_fields=['use_vector_'],
    label='name',
    anchor_document=documents[0]
)

قارن بين المتجهات وأداء بحثها في مستنداتك بسهولة!

لماذا Vector AI مقارنة بتطبيقات Nearest Neighbor الأخرى؟

جاهز للإنتاج : تتم إدارة واجهة برمجة التطبيقات الخاصة بنا بالكامل ويمكن توسيع نطاقها لتشغيل مئات الملايين من عمليات البحث يوميًا. حتى في الملايين من عمليات البحث، فإنه يتقدم بسرعة كبيرة من خلال التخزين المؤقت على الحافة، واستخدام وحدة معالجة الرسومات، وتحسين البرامج، لذلك لا داعي للقلق أبدًا بشأن توسيع نطاق البنية الأساسية الخاصة بك مع توسع حالة الاستخدام الخاصة بك.
سهل الاستخدام. سريعة للبدء. : أحد مبادئ التصميم الأساسية لدينا هو أننا نركز على كيفية بدء الأشخاص في استخدام Vector AI في أسرع وقت ممكن، مع ضمان استمرار وجود عدد كبير من الوظائف وخيارات التخصيص.
فهم أكثر ثراءً للمتجهات الخاصة بك وخصائصها : تم تصميم مكتبتنا للسماح للأشخاص بالقيام بأكثر من مجرد الحصول على أقرب الجيران، ولكن تجربتهم فعليًا وتحليلها وتفسيرها وتحسينها لحظة إضافة البيانات إلى الفهرس.
تخزين بيانات المتجهات بسهولة : تتيح الطبيعة الموجهة للمستندات لـ Vector AI للمستخدمين تصنيف وتصفية البحث وفهم المتجهات الخاصة بهم قدر الإمكان.
الوصول في الوقت الفعلي إلى البيانات : يمكن الوصول إلى بيانات Vector AI في الوقت الفعلي، بمجرد إدراج البيانات، يمكن البحث عنها على الفور. لا حاجة للانتظار ساعات لبناء فهرس.
الإطار الحيادي : لن نفرض أبدًا إطارًا محددًا على Vector AI. إذا كان لديك إطار عمل من اختيارك، فيمكنك استخدامه - طالما أن مستنداتك قابلة للتسلسل بتنسيق JSON!

استخدام نماذج VectorHub

VectorHub هو مستودع النماذج الرئيسي لـ Vector AI. تم تصميم النماذج من VectorHub باستخدام واجهات scikit-Learn وتحتوي جميعها على أمثلة لتكامل Vector AI. إذا كنت تتطلع إلى تجربة نماذج جديدة جاهزة للاستخدام، فنوصيك بتجربة نماذج VectorHub - فقد تم اختبارها جميعًا على Colab ويمكن استخدامها في أقل من 3 أسطر من التعليمات البرمجية!

قواعد المخطط للمستندات (متجهات ومعرفات BYO)

تأكد من أن أي حقول متجهة تحتوي على "_vector_" في اسمها وأن أي حقول معرف لها الاسم "_id".

على سبيل المثال:

 example_item = {
    '_id': 'James',
    'skills_vector_': [0.123, 0.456, 0.789, 0.987, 0.654, 0.321]
}

لن يتم التعرف على ما يلي كأعمدة معرف أو أعمدة متجهة.

 example_item = {
    'name_id': 'James',
    'skillsvector_': [0.123, 0.456, 0.789, 0.987, 0.654, 0.321]
}

كيف يختلف هذا عن VectorAI API؟

تم تصميم Python SDK لتوفير طريقة لـ Pythonistas لفتح قوة VectorAI في أقل عدد ممكن من الأسطر من التعليمات البرمجية. إنه يعرض جميع عناصر واجهة برمجة التطبيقات (API) من خلال أداة الأتمتة مفتوحة المصدر لدينا، وهو الطريقة الرئيسية التي يتفاعل بها علماء البيانات والمهندسون لدينا مع محرك VectorAI لإنشاء نماذج أولية سريعة قبل أن يستخدم المطورون طلبات واجهة برمجة التطبيقات (API).

ملاحظة : تم إنشاء VectorAI SDK على خادم التطوير مما قد يتسبب في حدوث أخطاء في بعض الأحيان. ومع ذلك، يعد هذا أمرًا مهمًا لضمان قدرة المستخدمين على الوصول إلى أحدث الميزات كما هو مطلوب. إذا واجهت مثل هذه المشكلات، نوصي بإنشاء مشكلة GitHub إذا كانت غير عاجلة، ولكن لا تتردد في الاتصال بقناة Discord لمزيد من الاستفسارات العاجلة.