این مقاله مفهوم جاسازیها (embeddings) در هوش مصنوعی و نحوه استفاده از آنها در SQL Server 2025 را معرفی میکند. این مفهوم را از طریق یک مثال ساده توضیح میدهد، سپس به سناریوهای واقعیتر میپردازد و در نهایت نحوه تولید این جاسازیها توسط مدلهای هوش مصنوعی را بررسی میکند.
جاسازیها چیست؟
- جاسازیها نمایشهای عددی از کلمات، عبارات یا دادههای دیگر هستند که روابط معنایی را ثبت میکنند.
- آنها بردارند که هر بعد آن نشاندهنده یک ویژگی یا خصوصیت است.
- مقادیر موجود در بردار نشان میدهند که ورودی تا چه اندازه از آن ویژگی برخوردار است.
مثال ساده
- مقاله با یک مثال اولیه با استفاده از دو بعد شروع میشود: "وسیله نقلیه" و "شخص".
- عباراتی مانند "یک ماشین"، "یک اتوبوس" و "یک ملکه" توسط بردارهایی مانند [1،0]، [1،0] و [0،1] نمایش داده میشوند.
- این مثال نشان میدهد که چگونه کلمات میتوانند به بردارهای عددی تبدیل شوند.
مقایسه بردارها
- شباهت کسینوسی برای مقایسه بردارها و تعیین میزان شباهت آنها استفاده میشود.
- نمرهای نزدیک به 0 نشاندهنده شباهت بیشتر است، در حالی که نمرهای نزدیک به 1 نشاندهنده تفاوت بیشتر است.
- SQL Server 2025 تابع
VECTOR_DISTANCE را برای محاسبه این شباهتها معرفی میکند.
هوش مصنوعی و جاسازیها
- مدلهای هوش مصنوعی جاسازیها را بر اساس دادههای آموزشی تولید میکنند.
- این مدلها میتوانند جاسازیهایی با صدها یا هزاران بعد ایجاد کنند و اطلاعات معنایی پیچیده را ثبت کنند.
- این مقاله روشهای مختلفی را برای تولید جاسازیها ذکر میکند، از جمله اسکریپتهای پایتون، APIها، ماژولهای PowerShell، ادغام مستقیم SQL Server (آینده) و فضاهای Hugging Face.
اهمیت جاسازیها
- جاسازیها برای مدلهای هوش مصنوعی برای درک و پردازش متن بسیار مهم هستند.
- آنها یک نمایش ثابت از ورودی ارائه میدهند و به مدل اجازه میدهند با دادههای عددی کار کند.
- بعد بالای جاسازیهای دنیای واقعی، امکان ثبت انبوهی از اطلاعات معنایی را فراهم میکند.
مشاهده مطلب اصلی