Локальный стендL
ПЕСОЧНИЦА · EXPERIMENT 001
Поиск по смыслу.
Не по совпадению слов
Исследуй, как нейросеть превращает текст в векторы, сравнивает близость смыслов и находит нужное даже без общих ключевых слов
✦EMBEDDINGS
MADE VISIBLE
MADE VISIBLE
ДОКУМЕНТОВ В ИНДЕКСЕ
12фрагментов
↗ Можно добавить свои
РАЗМЕРНОСТЬ ВЕКТОРА
384измерения
Вектор для каждого текста
МОДЕЛЬ
E5 Small
94+ языка · multilingual
СТАТУС ИНДЕКСА
Не рассчитан
Запусти модель для анализа
01 / ПОИСКОВЫЙ ЗАПРОС
Что будем искать?
ПОПРОБУЙ:
ENTER ↵
Демо-данные готовы. Запусти модель, чтобы увидеть реальные векторы и оценки сходства
02 / РЕЗУЛЬТАТЫ
Близость смыслов / similarity
| № | ДОКУМЕНТ И СОДЕРЖАНИЕ | КАТЕГОРИЯ | COSINE / SCORE ⓘ | ВЕКТОР / ПЕРВЫЕ 28 КООРДИНАТ |
|---|
Оценки появятся после индексации моделью 384D EMBEDDING SPACE
03 / ВИЗУАЛИЗАЦИЯ
Карта векторного пространства / 2D projection
Смысловая близость документов
● DOCUMENT EMBEDDINGSБлизкие по смыслу тексты стремятся оказаться рядом
Загрузи модель, чтобы построить карту реальных векторов
Кадровые документы Отпуска и время Другое Запрос
UNDER THE HOOD ↗
Что происходит
под капотом?
01
Текст → вектор
Модель кодирует запрос и каждый документ в массив из 384 чисел
02
Косинусная близость
Сравниваем направления векторов: чем выше оценка, тем ближе их смыслы
03
Ранжирование
Сортируем документы по сходству, а для карты проецируем 384D в 2D методом PCA
✳ 2D-проекция приблизительная. Расстояние на карте не обязано совпадать с cosine score