‫آشنایی با مفهوم فاصله برداری در هوش مصنوعی با اریک دارلینگ

اریک دارلینگ در این ویدیو به بررسی معیارهای فاصله برداری در زمینه جستجوی شباهت، با تمرکز ویژه بر فواصل کسینوسی و اقلیدسی می‌پردازد. او با اشاره به تصویر جالبی که توسط ChatGPT برای بازگشت به کار در سال ۲۰۲۶ ایجاد شده، توضیح می‌دهد که فاصله کسینوسی طول بردارها را نادیده می‌گیرد و برای جستجوی شباهت متن، جایی که جهت مهم‌تر از مقدار است، ایده‌آل است. در مقابل، فاصله اقلیدسی فاصله خط مستقیم بین نقاط را اندازه‌گیری می‌کند که در برخی سناریوها مفید است، اما اغلب در هنگام کار با بردارها و داده‌های متنی مرتبط نیست. دارلینگ برای نشان دادن این مفاهیم، یک مثال عملی با استفاده از کوئری‌های SQL برای یافتن پست‌های مشابه بر اساس سوالات مربوط به عملکرد ارائه می‌دهد. نتایج نشان می‌دهند که شباهت کسینوسی نتایج معنادارتری را برای مقایسه‌های مبتنی بر متن ارائه می‌دهد. این روش برای ساخت چت‌بات‌ها و سیستم‌های توصیه‌گر بسیار کاربردی است، زیرا بر روی جهت بردارها تمرکز می‌کند و نه بر طول آن‌ها. در نهایت، درک تفاوت بین فواصل کسینوسی و اقلیدسی برای توسعه‌دهندگان .NET که در زمینه هوش مصنوعی و یادگیری ماشین کار می‌کنند، بسیار مهم است. انتخاب معیار مناسب می‌تواند به طور قابل توجهی بر دقت و کارایی سیستم‌های جستجوی شباهت تأثیر بگذارد.