WEBVTT

00:00:00.000 --> 00:00:04.820
שלום לכולם וברוכים הבאים לפרק נוסף של פירורי ידע מבית מייקרוסופט כאן ב-M365FM

00:00:04.820 --> 00:00:06.880
אני המערך שלכם מרקופיטרס

00:00:06.880 --> 00:00:10.580
הנושא של היום הוא כזה שכמעט כולם שמעו עליו, אך מעטים באמת מבינים אותו

00:00:10.580 --> 00:00:11.980
מסדי נתונים וקטוריים

00:00:11.980 --> 00:00:16.580
כנראה נתקלתם במונח הזה במאמרים על בינה המלאכותית או שמעתם אותו בשיחות על קופיילוט וצ'ייטיפ

00:00:16.580 --> 00:00:18.580
אבל מה זה בעצם מסד נתונים וקטורי?

00:00:18.680 --> 00:00:21.000
האם זה רק מסד נתונים רגיל עם שם מפונפן יותר?

00:00:21.180 --> 00:00:22.600
או שזה משהו שונה לחלוטין?

00:00:22.600 --> 00:00:25.620
תארו לעצמכם שאתם מחפשים באתר מסחר אלקטרוני, ז'קט אדום

00:00:25.620 --> 00:00:28.480
ומקבלים תוצאות שמציגות מעיל ארגמן ובגד עליון בורדו

00:00:28.480 --> 00:00:30.380
איך המחשב יודע שאלו אותם הדברים?

00:00:30.640 --> 00:00:32.220
זה לא התאמה של מילות מפתח

00:00:32.220 --> 00:00:34.900
ארגמן זה לא אדום ומעיל זה לא ז'קט

00:00:34.900 --> 00:00:39.160
ובכל זאת, מנוע החיפוש מבין שהם קשורים וזוהי חיפוש וקטורי בפעולה

00:00:39.160 --> 00:00:42.160
עד סוף הפרק הזה, תבינו מה הם באמת מסדי נתונים וקטוריים

00:00:42.160 --> 00:00:44.860
מדוע הם מניעים חיפוש מבוסס בינה מלאכותית וקופילות?

00:00:44.860 --> 00:00:46.640
ואיך הם משתלבים בענן של מייקרוסופט

00:00:46.640 --> 00:00:48.480
אנחנו נשמור על זה בשפה פשוטה

00:00:48.480 --> 00:00:51.720
בלי מתמטיקה, בלי ז'רגון, רק אבני בניין ברורות

00:00:51.720 --> 00:00:53.060
מה זה בעצם וקטור?

00:00:53.480 --> 00:00:55.000
נתחיל עם שאלת הליבה

00:00:55.000 --> 00:00:56.280
מה בדיוק זה וקטור?

00:00:56.480 --> 00:00:58.500
כשרוב האנשים שומעים את המילה וקטור

00:00:58.500 --> 00:01:01.620
הם מדמיינים חץ משיעורי פיזיקה עם כיוון וגודל

00:01:01.620 --> 00:01:03.420
במחשוב, זה הרבה יותר פשוט

00:01:03.420 --> 00:01:05.740
וקטור הוא בסך הכל רשימה של מספרים

00:01:05.740 --> 00:01:09.380
מערך חד ממדי שמייצג משהו בפורמט שהמחשב יכול לעבוד איתו

00:01:09.380 --> 00:01:11.120
הנה דרך מעשית לדמיין את זה

00:01:11.120 --> 00:01:13.200
אם הייתי אומר לכם להיפגש איתי בקומה השלישית

00:01:13.200 --> 00:01:14.460
באגף ב' חדר 12

00:01:14.460 --> 00:01:16.620
אלו שלושה מספרים שמתארים מיקום ספציפי

00:01:16.620 --> 00:01:20.040
זהו וקטור תלת ממדי שאומר לכם בדיוק איפה שהוא נמצא בבניין

00:01:20.040 --> 00:01:22.080
עכשיו תדמיינו שאני מוסיף עוד פרטים

00:01:22.080 --> 00:01:25.060
צבע הדלת, גודל החדר, מחיר למטר רבוע

00:01:25.060 --> 00:01:27.100
כל פרט חדש הופך לעוד ממד

00:01:27.100 --> 00:01:28.760
אז ככל שבונים יותר ממדים

00:01:28.760 --> 00:01:30.800
כך אפשר לקלוט יותר מידע על אותו הדבר

00:01:30.800 --> 00:01:32.740
מכונית יכולה להתאר על ידי מהירות

00:01:32.740 --> 00:01:35.140
צריכת דלק, מחיר, משקל ודרוג בטיחות

00:01:35.140 --> 00:01:36.660
זה וקטור חמישה ממדי

00:01:36.660 --> 00:01:38.860
מוצר יכול להתאר על ידי מאות מאפיינים

00:01:38.860 --> 00:01:40.680
מה שנותן לכם וקטור רב ממדי

00:01:40.680 --> 00:01:41.500
הנה העניין

00:01:41.500 --> 00:01:44.480
וקטורים מאפשרים לנו להפוך דברים למספרים שמחשבים יכולים להשוות

00:01:44.480 --> 00:01:46.340
מילים, תמונות, צלילים, מסמכים

00:01:46.340 --> 00:01:47.980
כל דבר יכול להפוך לרשימת מספרים

00:01:47.980 --> 00:01:49.140
ברגע שהכל מספרים

00:01:49.140 --> 00:01:51.480
אפשר להתחיל למדוד כמה שני דברים באמת דומים

00:01:51.480 --> 00:01:53.780
שני חדרים באותה קומה עם צבעי דלת דומים

00:01:53.780 --> 00:01:55.720
הסתיימו קרובים זה לזה במרחב הוקטורי

00:01:55.720 --> 00:01:58.440
וגם שני מוצרים עם מאפיינים דומים מתקבצים יחד

00:01:58.440 --> 00:02:01.920
הרעיון הפשוט הזה הוא מה שהופך חיפוש בינה מלאכותית מודרני לאפשרי

00:02:01.920 --> 00:02:03.180
מבקטורים ועד התמאות

00:02:03.180 --> 00:02:04.940
Embeddings, לא כל הוקטורים זהים

00:02:04.940 --> 00:02:06.280
יש סוג מיוחד שנקרא

00:02:06.280 --> 00:02:08.640
התמאה, Embedding, ושם תמון הכוח האמיתי

00:02:08.640 --> 00:02:10.000
אז מה היא בדיוק התמאה?

00:02:10.120 --> 00:02:12.120
התמאה היא וקטור שמייצג משמעות

00:02:12.120 --> 00:02:15.440
מודל למידת מכונה, כמו Text Embedding 3 Small Shell

00:02:15.440 --> 00:02:16.340
Azure Open AI

00:02:16.340 --> 00:02:18.880
קורא טקסט ומציב אותו במרחב רב-ממדי

00:02:18.880 --> 00:02:20.880
המודל למד ממיליארדי דוגמאות

00:02:20.880 --> 00:02:23.060
לכן הוא מבין את הקשר בין מילים

00:02:23.060 --> 00:02:26.600
מלך ומלכה ימוקמו קרוב זה לזה כי יש להם הקשר דומה

00:02:26.600 --> 00:02:29.760
מלך וקפה ימוקמו רחוק זה מזה כי אין להם הקשר כזה

00:02:29.760 --> 00:02:31.580
הנה מה שזה אומר במילים פשוטות

00:02:31.580 --> 00:02:33.040
כשמחפשים מעיל אדום

00:02:33.040 --> 00:02:35.520
המערכת מוצאת ז'קט בצבע ארגמן

00:02:35.520 --> 00:02:39.160
מודל ההתמאה מזהה שאדום וארגמן קרובים במשמעותם

00:02:39.160 --> 00:02:41.220
וגם מעיל וזקט קרובים

00:02:41.220 --> 00:02:44.700
ההתמאות של שני הביטויים האלה הופכות לשכנות במרחב הוקטורי

00:02:44.700 --> 00:02:46.880
המחשב כבר לא מבצע התאמה של אותיות

00:02:46.880 --> 00:02:48.680
ומבצע התאמה של משמעות

00:02:48.680 --> 00:02:50.860
עכשיו תנו לי לתת לכם דוגמה קלאסית

00:02:50.860 --> 00:02:52.340
קחו את הוקטור של מלך

00:02:52.340 --> 00:02:53.920
הכסירו את הוקטור של גבר

00:02:53.920 --> 00:02:55.580
והוסיפו את הוקטור של אישה

00:02:55.580 --> 00:02:58.000
התוצאה קרובה מאוד לווקטור של מלכה

00:02:58.000 --> 00:03:00.320
מלך פחות גבר ועוד אישה שווה מלכה

00:03:00.320 --> 00:03:01.840
זה אולי נשמע כמו קסם

00:03:01.840 --> 00:03:05.000
אבל זו הדרך שבה המודל מתמיע יחסים בתוך מספרים

00:03:05.000 --> 00:03:09.560
הוא למד שמלך ומלכה חולקים יחס דומה לזה של גבר ואישה

00:03:09.560 --> 00:03:11.940
והיחס הזה מקודד בקואורדינטות

00:03:11.940 --> 00:03:16.780
לכן מודלי התמאה לוקחים את הנתונים הגולמיים שלכם טקסט, תמונות או אודיו

00:03:16.780 --> 00:03:19.720
וממירים אותם לרשימת מספרים שמייצגת את משמעותם

00:03:19.720 --> 00:03:22.960
המספרים האלה הופכים לקואורדינטות במרחב רב-ממדי

00:03:22.960 --> 00:03:24.480
לאחר מכן, כשאתם מחפשים

00:03:24.480 --> 00:03:26.820
השאילתה שלכם אומרת לאותם סוגי קואורדינטות

00:03:26.820 --> 00:03:29.160
כל מה שנשאר לעשות הוא למדוד את המרחק ביניהם

00:03:29.160 --> 00:03:30.460
זהו הרעיון המרכזי

00:03:30.460 --> 00:03:32.380
מדוע מסדי נתונים מסורתיים נכשלים?

00:03:32.580 --> 00:03:34.000
אם התמאות הן כל כך עוצמתיות

00:03:34.000 --> 00:03:36.040
למה שלא נשתמש פשוט במסד נתונים רגיל?

00:03:36.220 --> 00:03:37.020
בואו נענה על זה

00:03:37.020 --> 00:03:40.420
מסדי נתונים סיקואל מסורתיים בנויים להתאמות מדויקות

00:03:40.420 --> 00:03:42.420
כותבים כאשר צבע שווה אדום

00:03:42.420 --> 00:03:45.420
והוא מוצא כל שורה שבה עמודת הצבע היא אכן אדום

00:03:45.420 --> 00:03:48.140
זה עובד נהדר עבור נתונים מובנים כמו שמות לקוחות

00:03:48.140 --> 00:03:49.900
תאריכי הזמנה או מחירי מוצרים

00:03:49.900 --> 00:03:52.560
אבל זה נכשל לחלוטין כשצריך משמעות מאופלת

00:03:52.560 --> 00:03:55.420
נסו לכתוב שאילתת סיקואל שמוצאת מעיל ארגמן

00:03:55.420 --> 00:03:58.040
כשהנתונים שלכם אומרים רק ז'קט בורדו

00:03:58.040 --> 00:04:00.460
אי אפשר כי סיקואל לא מבין מושגים

00:04:00.460 --> 00:04:03.960
מסדי נתונים מסורתיים מאכסנים נתונים בשורות ובעמודות

00:04:03.960 --> 00:04:07.640
הם מותאמים לחיבורים לצבירת נתונים ולחיפושים מדויקים

00:04:07.640 --> 00:04:10.500
הם לא יודעים שרכב ומכונית הם אותו הדבר

00:04:10.500 --> 00:04:12.540
הם לא יודעים שנרגש ונלהב

00:04:12.540 --> 00:04:13.620
הן רגשות דומים

00:04:13.620 --> 00:04:15.180
הם פשוט משווים אחרו זאת

00:04:15.180 --> 00:04:16.780
ואם הנתונים שלכם אינם מובנים

00:04:16.780 --> 00:04:19.860
כמו קובצי PDF, תמונות, הקלטות אודיו או מסמכים ארוכים

00:04:19.860 --> 00:04:22.100
מסדי נתונים מסורתיים יכולים לשמור אותם כבלוב

00:04:22.100 --> 00:04:23.760
אך הם לא באמת יכולים לחפש בתוכן שלהם

00:04:23.760 --> 00:04:25.160
תצטרך חיפוש טקסט מלא

00:04:25.160 --> 00:04:27.240
שעדיין מסתמך על התאמת מילות מפתח

00:04:27.240 --> 00:04:29.180
אם המשתמש מקליד, דוח תקציב

00:04:29.180 --> 00:04:31.040
אך המסמך אומר סיכום פיננסי

00:04:31.040 --> 00:04:33.120
חיפוש מילות מפתח יפספש אותו לחלוטין

00:04:33.120 --> 00:04:34.200
חשוב על זה כך

00:04:34.200 --> 00:04:36.180
מסד נתונים רגיל הוא כמו ארון טיוק

00:04:36.180 --> 00:04:38.060
אתה צריך לדעת את שם הקובץ המדויק

00:04:38.060 --> 00:04:39.360
כדי למצוא את מה שאתה מחפש

00:04:46.780 --> 00:04:48.460
הוא יודע בדיוק איזו תיקיע לשלוף

00:04:48.460 --> 00:04:51.120
גם אם היא מתויגת כסיכום פיננסי רבעון 3

00:04:51.120 --> 00:04:52.520
הספרן מבין כוונה

00:04:52.520 --> 00:04:53.520
לא רק תביות

00:04:53.520 --> 00:04:55.700
לכן קיימים מסדי נתונים וקטוריים

00:04:55.700 --> 00:04:57.580
הם מאחסנים, embeddings, embeddings

00:04:57.580 --> 00:04:58.980
אותם וקטוריים לוחדי משמעות

00:04:58.980 --> 00:05:01.440
ומאנדקסים אותם בדרך שהופך את חיפוש דמיון למהיר

00:05:01.440 --> 00:05:03.480
הם לא מחליפים מסדי נתונים מסורתיים

00:05:03.480 --> 00:05:05.360
הם מוסיפים שכבת הבנה מעל

00:05:05.360 --> 00:05:06.920
והשכבה הזו משנה הכל

00:05:06.920 --> 00:05:08.640
הם מוסיפים שכבת הבנה מעל

00:05:08.640 --> 00:05:10.220
והשכבה הזו משנה הכל

00:05:10.220 --> 00:05:12.240
כיצד מסדי נתונים וקטוריים עובדים

00:05:12.240 --> 00:05:14.120
אז איך כל זה עובד מאחורי הקלעים?

00:05:14.340 --> 00:05:15.960
בואו נעבור על שני השלבים העיקריים

00:05:15.960 --> 00:05:17.660
התמאה, אינג'סטיון ושאילתה

00:05:17.660 --> 00:05:19.020
התמאה היא שלב ההגדרה

00:05:19.020 --> 00:05:21.100
אתה לוקח את הנתונים הגולמיים שלך

00:05:21.100 --> 00:05:23.900
תיאורי מוצרים, כרטיסי תמיכה, מסמכים פנימיים

00:05:23.900 --> 00:05:24.800
מה שיש לך

00:05:24.800 --> 00:05:27.480
ומעביר כל פריט דרך משהו שנקרא מודל התמאה

00:05:27.480 --> 00:05:29.380
המודל הזה הופך את הטקסט לוקטור

00:05:29.380 --> 00:05:32.280
שהוא בעצם רשימת מספרים שלוחדת את המשמעות

00:05:32.280 --> 00:05:34.820
לאחר מכן אתה מאכסן את הוקטור במסד הנתונים

00:05:34.820 --> 00:05:37.400
יחד עם מטה דאטה, הטקסט המקורי, חותמת זמן

00:05:37.400 --> 00:05:39.080
אולי קטגוריה או כתובת מקור

00:05:39.080 --> 00:05:40.780
עכשיו, הנה החלק החכם

00:05:40.780 --> 00:05:42.160
אם היו לך מיליון מסמכים

00:05:42.160 --> 00:05:44.420
בדיקת כל וקטור בנפרד הייתה לוקחת נצח

00:05:44.420 --> 00:05:47.620
לכן מסדי נתונים וקטוריים משתמשים במה שהוא שנקרא אינדוקס

00:05:47.620 --> 00:05:50.440
חשוב על אינדוקס כעל יצירת מפה של המרחב הוקטורי

00:05:50.440 --> 00:05:51.720
במקום לדפוק על כל דלת

00:05:51.720 --> 00:05:54.260
שתי שיטות מפוצות הן IVF וHNSW

00:05:54.260 --> 00:05:55.920
IVF מייצג אינדקס קבצים הפוך

00:05:55.920 --> 00:05:56.840
Inverted File Index

00:05:56.840 --> 00:05:59.080
הוא עובד על ידי קיבוץ וקטורים דומים להשקולות

00:05:59.080 --> 00:06:01.500
כשאתה מחפש, במקום לסרוק את כל מיליון הוקטורים

00:06:01.500 --> 00:06:03.460
אתה בודק רק את ההשקולות המבטיחים ביותר

00:06:03.460 --> 00:06:05.120
זה כמו לחפש ספר בספרייה

00:06:05.120 --> 00:06:07.940
אתה ניגש ישר למחלקה הנכונה במקום לסרוק כל מדף

00:06:07.940 --> 00:06:10.200
HNSW מייצג עולם קטן היררכי ניתן לניווט

00:06:10.200 --> 00:06:11.500
היררכיקל נביגבל סמולורלד

00:06:11.500 --> 00:06:12.740
הרעיון די אלגנטי

00:06:12.740 --> 00:06:15.000
הוא בונה מפה רב שכבתית של הוקטורים שלך

00:06:15.000 --> 00:06:19.260
השכבה העליונה מחזיקה כמה וקטורים מייצגים שנותנים תחושה כללית של איפה דברים נמצאים

00:06:19.260 --> 00:06:21.320
כל שכבה למטה הופכת מפורטת יותר

00:06:21.320 --> 00:06:24.160
כשאתה מחפש, אתה מתחיל למעלה, מוצא את הסביבה הכללית

00:06:24.160 --> 00:06:27.340
ואז צולל למטה שכבה אחר שכבה עד שאתה מגיע להטעמה המדויקת

00:06:27.340 --> 00:06:31.300
זה כמו להשתמש במפת עיר תחילה, אחר כך במפת שכונה, ואז במפת רחובות

00:06:31.300 --> 00:06:32.900
כל אחד מקרב עוד צעד

00:06:32.900 --> 00:06:35.900
התוצאה היא שניתן לחפש במיליוני וקטורים במילי שניות

00:06:35.900 --> 00:06:38.520
זה מה שמניע תכונות בינה מלאכותית בזמן אמת

00:06:38.520 --> 00:06:41.520
כשאתה מקליד שאלה לקופילות ומקבל תשובה תוך שניות

00:06:41.520 --> 00:06:45.660
אפשרו מסעד נתונים וקטורי הרגע ביצע חיפוש דמיון על פני אלפים או מיליוני מסמכים

00:06:45.660 --> 00:06:48.300
שלב השאילתה עובד באותו אופן רק בכיוון ההפוך

00:06:48.300 --> 00:06:49.740
אתה מקליד את השאלה שלך

00:06:49.740 --> 00:06:52.800
השאלה הזו מומרת לוקטור באמצעות אותו מודל התמאה בדיוק

00:06:52.800 --> 00:06:56.960
לאחר מכן, מסעד הנתונים מוצא את השכנים הקרובים ביותר לבקטור השאילתה שלך באמצעות האינדקס

00:06:56.960 --> 00:06:59.860
הוא מחזיר את התוצאות הדומות ביותר מדורגות לפי מרחה

00:06:59.860 --> 00:07:02.780
ככל שהקטורים קרובים יותר, התוצאה רלוונטית יותר

00:07:02.780 --> 00:07:05.500
העקוס סיסטם של מייקרוסופט שבו וקטורים חיים

00:07:05.500 --> 00:07:08.060
אז, איפה כל זה נמצא בעולם של מייקרוסופט?

00:07:08.120 --> 00:07:09.640
התשובה הקצרה היא בכל מקום

00:07:09.640 --> 00:07:13.420
מייקרוסופט מוסיפה יכולות וקטוריות לפלטפורמות הנתונים שבהן אתה כבר משתמש

00:07:13.420 --> 00:07:15.560
במקום לדחוף אותך למסעד נתונים מומחי נפרד

00:07:15.560 --> 00:07:17.320
בואו נעבור על העיקריות שבהן

00:07:17.320 --> 00:07:20.940
Azure Eye Search הוא מאגר הוקטורים הנפוץ ביותר עבור רג ארגוני

00:07:20.940 --> 00:07:23.060
זהו תהליך של יצירה מואשרת בשליפת מידע

00:07:23.060 --> 00:07:24.320
Retrieval Augmented Generation

00:07:24.320 --> 00:07:25.640
הוא תומך בחיפוש היברידי

00:07:25.640 --> 00:07:29.280
מה שאומר שהוא משלב התאמת מילות מפתח מסורתית עם דמיון וקטורי

00:07:29.280 --> 00:07:30.140
למה זה משנה?

00:07:30.280 --> 00:07:32.520
כי חלק מהחיפושים עובדים הכי טוב עם מילות מפתח

00:07:32.520 --> 00:07:34.640
קודי מוצר מדויקים, שמות ותאריכים

00:07:34.640 --> 00:07:36.220
בעוד שאחרים דורשים הבנה סמנטית

00:07:36.220 --> 00:07:38.060
חיפוש היברידי נותן לך את שניהם

00:07:38.060 --> 00:07:40.480
Azure Eye Search כולל גם הוקטוריזציה משולבת

00:07:40.480 --> 00:07:42.540
כך שניתן להגדיר צינור איבוד, פייפליין

00:07:42.540 --> 00:07:44.700
שמחלק מסמכים לקטעים, מייצר התמאות

00:07:44.700 --> 00:07:47.240
ומהנדקס אותם באופן אוטומטי ללא כתיבת קוד מותאם

00:07:47.240 --> 00:07:50.760
לקוסמוס די בי יש כעת חיפוש וקטורי טבעי עם אינדוקס דיסק אין

00:07:50.760 --> 00:07:53.540
דיסק אין מייצג שכן קרוב משוער מבוסס דיסק

00:07:53.540 --> 00:07:57.200
והוא בנוי עבור שיהוי של פחות מ-20 מילי שניות גם בקנה מידע עצום

00:07:57.200 --> 00:08:00.640
זה מצוין עבור נתונים טיפוליים שכבר קיימים בקורמוס די בי

00:08:00.640 --> 00:08:04.500
נניח שאתה בונה אפליקציית מסחר אלקטרוני עם קוסמוס די בי כצד השרת שלך

00:08:04.500 --> 00:08:09.500
כעת אתה יכול להוסיף חיפוש וקטורי ישירות לכתלוג המוצרים שלך מבלי להעביר נתונים לשירות נפרד

00:08:09.500 --> 00:08:11.420
לקוח מחפש נעלי קיץ קלות

00:08:11.420 --> 00:08:16.100
והאפליקציה שלך מוצאת מוצרים עם תיאורים דומים בתוך מסד הנתונים הקיים שלך

00:08:16.100 --> 00:08:20.560
גם Azure SQL Server 2025 ו-Azure SQL Database הצטרפו לחגיגה

00:08:20.560 --> 00:08:24.260
הם כוללים כעת סוג נתונים וקטורי טבעי ופונקציות כמו חיפוש וקטורי

00:08:24.260 --> 00:08:27.600
זה אומר שניתן להכסן התמאות לצד הנתונים היחסיים שלך

00:08:27.600 --> 00:08:30.520
רשומות לקוחות עם ייצוג וקטורי של העדפותיהם

00:08:30.520 --> 00:08:35.280
פריטי מלאי עם תיאורים וקטוריים וחרטיסי תמיכה עם התמאות וקטוריות של התוכן שלהם

00:08:35.280 --> 00:08:37.440
אינך זקוק למסד נתונים וקטורי נפרד

00:08:37.440 --> 00:08:39.740
קישורי ה-SQL הקיימים שלך עדיין תקפים

00:08:39.740 --> 00:08:43.380
פשוט הוסף עמודה וקטורית, צור אינדקס והתחל לבצע שאילתות לפי דמיון

00:08:43.380 --> 00:08:46.080
כך Copilot משתמש בזה מתחת למכסי המנוע

00:08:46.080 --> 00:08:49.760
כשאתה שואל, הראה לי את דוח המחירות של הרבעון השלישי מהשנה שעברה

00:08:49.760 --> 00:08:52.940
Copilot לא מחפש את הביטוי המדויק דוח מחירות רבעון 3

00:08:52.940 --> 00:08:54.700
היא ממירה את השאלה שלך לבקטור

00:08:54.700 --> 00:08:59.580
מחפשת בין מסמכים באינדקס, אימיילים, קבצי שרפוינט, מסמכי וונדרייב, צ'טים בטימס

00:08:59.580 --> 00:09:02.840
ומוצאת את המסמך שההתמאה שלו היא הקרובה ביותר לשאילת שלך

00:09:02.840 --> 00:09:06.620
היא עשויה למצוא קובץ שנקרא סיכום פיננסי רבעון 3-2024

00:09:06.620 --> 00:09:09.140
כי המשמעות תואמת גם עם המילים המדויקות לו

00:09:09.140 --> 00:09:10.740
זוהי חיפוש וקטורי בפעולה

00:09:10.740 --> 00:09:13.440
התובנה המרכזית כאן היא האסטרטגיה של מייקרוסופט

00:09:13.440 --> 00:09:15.960
במקום לומר, לכו לקנות מסד נתונים וקטורי מתמחה

00:09:15.960 --> 00:09:18.620
הם מוסיפים יכולות וקטוריות לכלים שאתם כבר משתמשים בהם

00:09:18.620 --> 00:09:21.120
Azure Eye Search, Cosmos DB, SQL Server

00:09:21.120 --> 00:09:22.520
כולם מדברים וקטורים עכשיו

00:09:22.520 --> 00:09:24.400
אתם לא צריכים ללמוד מערכת חדשה

00:09:24.400 --> 00:09:26.140
אתם רק צריכים להבין את הקונספט

00:09:26.140 --> 00:09:28.100
ומייקרוסופט מטפלת בעבודה הקשה

00:09:28.100 --> 00:09:30.520
מקרי שימוש בעולם האמיתי בבינה מלאכותית

00:09:30.520 --> 00:09:33.620
אז איפה באמת רואים מסדי נתונים וקטוריים בעבודה כיום

00:09:33.620 --> 00:09:35.360
הנה איך זה בא לידי ביטוי בעולם

00:09:35.360 --> 00:09:37.180
REG הוא המקרה המשמעותי ביותר

00:09:37.180 --> 00:09:38.880
זה ראשי תיבות של Retrieval Augmented Generation

00:09:38.880 --> 00:09:39.920
יצירה מואשרת משליפה

00:09:39.920 --> 00:09:42.000
וזה האופן שבו רוב הבינה המלאכותית הארגונית פועלת כאה

00:09:42.000 --> 00:09:43.240
כששואלים תשדבות שאלה

00:09:43.240 --> 00:09:44.960
הוא לא מנחש מנתוני האימון שלו

00:09:44.960 --> 00:09:48.240
במקום זאת, הוא מחפש במסד נתונים וקטורי מסמכים רלוונטיים

00:09:48.240 --> 00:09:50.100
תופס את ההתאמות הקרובות ביותר

00:09:50.100 --> 00:09:51.820
ומגיש אותן למודל השפה כהקשר

00:09:51.820 --> 00:09:54.600
המודל אז בונה תשובה מתוך אותם מסמכים בפועל

00:09:54.600 --> 00:09:56.560
זה אומר תשובות מדויקות לגבי המדיניות

00:09:56.560 --> 00:09:58.420
המוצרים או הנתונים של החברה שלכם

00:09:58.420 --> 00:09:59.680
ללא מסדי נתונים וקטוריים

00:09:59.680 --> 00:10:02.260
הבינה המלאכותית הייתה מנחשת על סמך ידע כללי מהאינטרנט

00:10:02.260 --> 00:10:04.900
איתם, היא שואבת ישירות מהקבצים האמיתיים שלכם

00:10:04.900 --> 00:10:07.180
מנועי המלצות הם מקרי שימוש ענק נוסף

00:10:07.180 --> 00:10:08.820
נטפליקס, אמזון, יוטיוב

00:10:08.820 --> 00:10:10.080
כולם עובדים באותו אופן

00:10:10.080 --> 00:10:12.440
הם הופכים משתמשים לווקטורים על סמך התנהגות

00:10:12.440 --> 00:10:14.660
מה שאתם צופים, קונים או לוחצים עליו

00:10:14.660 --> 00:10:18.060
והם הופכים פריטים לווקטורים על סמך תיאורים, ביקורות ומאפיינים

00:10:18.060 --> 00:10:20.360
ואז הם פשוט מוצאים את השכנים הקרובים ביותר

00:10:20.360 --> 00:10:22.360
אם הוקטור שלכם קרוב לווקטור של סרט

00:10:22.360 --> 00:10:23.540
הם ימליצו על הסרט הזה

00:10:23.540 --> 00:10:25.720
זהו חיפוש דמיון בקנה מידה עצום

00:10:25.720 --> 00:10:28.360
שרץ מאות פעמים בשנייה עבור כל משתמש בנפרד

00:10:28.360 --> 00:10:30.960
חיפוש סמנטי הוא מקרה השימוש הגדול השלישי

00:10:30.960 --> 00:10:33.560
זהו חיפוש לפי משמעות, לא לפי מילות מפתח

00:10:33.560 --> 00:10:34.800
נציג תמיכה מקליד

00:10:34.800 --> 00:10:37.420
הלקוח לא מצליח להתחבר אחרי היפוש סיסמה

00:10:37.420 --> 00:10:38.880
הוא מוצא מאמר שנקרא

00:10:38.880 --> 00:10:41.480
פתרון תקלות עימות לאחר עדכוני אישורים

00:10:41.480 --> 00:10:43.720
המילים לא תואמות, אבל המשמעות כן

00:10:43.720 --> 00:10:45.460
זה מה שחיפוש וקטורים מאפשר

00:10:45.460 --> 00:10:47.460
עבור צוות שמטפל במאות פניות ביום

00:10:47.460 --> 00:10:49.560
זה מקצר את זמן הטיפול באופן דרמטי

00:10:49.560 --> 00:10:51.140
ואז ישנה זיהוי חריגות

00:10:51.140 --> 00:10:53.100
פחות מובן מעיליו, אבל עוצמתי

00:10:53.100 --> 00:10:54.760
אתם מטמיעים התנהגות נורמלית

00:10:54.760 --> 00:10:57.260
דפוסי עסקאות טיפוסיים, מדדי מערכת רגילים

00:10:57.260 --> 00:10:58.580
פעולות משתמש סטנדרטיות

00:10:58.580 --> 00:10:59.820
שומרים את הוקטורים האלה

00:10:59.820 --> 00:11:02.160
ואז מסמנים כל דבר שנוחת רחוק מהאש קול

00:11:02.160 --> 00:11:04.120
עסקה שלא נראית בכלל כמו הנורמה

00:11:04.120 --> 00:11:04.700
זו הונאה

00:11:04.700 --> 00:11:06.840
מדד שרת שחורג משמעותית מהטווח הרגיל

00:11:06.840 --> 00:11:07.840
זו תקרית בהתהוות

00:11:07.840 --> 00:11:10.080
מסדי נתונים וקטוריים הופכים זאת למהיר מספיק

00:11:10.080 --> 00:11:11.020
כדי לרוץ בזמן אמת

00:11:11.020 --> 00:11:13.460
בעולם של מייקרוסופט זה מופיע בכל מקום

00:11:13.460 --> 00:11:15.340
פאוור אפס משתמש בחיפוש וקטורי

00:11:15.340 --> 00:11:17.180
להצעות AI כשאתה בונה תפסים

00:11:17.180 --> 00:11:21.160
דיינמיקס 365 משתמש בו לחיפוש חכם על פני רשומות לקוחות

00:11:21.160 --> 00:11:23.320
תמלילי פגישות בטימס הופכים לבקטורים

00:11:23.320 --> 00:11:25.900
כך שניתן לחפש מה החלטנו לגבי התקציב

00:11:25.900 --> 00:11:28.100
ולמצוא את הרגע המדויק בהקלטה

00:11:28.100 --> 00:11:30.080
קופיילוט למיקרוסופט 365

00:11:30.080 --> 00:11:32.300
הוא למעשה מערכת רג ענקית

00:11:32.300 --> 00:11:35.100
שרצה על גבי הנתונים האישיים והארגוניים שלך

00:11:35.100 --> 00:11:37.120
וכולם הונעת על ידי חיפוש וקטורי

00:11:37.120 --> 00:11:39.520
שמירה על סינקירון מלא ETL וקטורי

00:11:39.520 --> 00:11:41.240
כעת, הנה האתגר המעשי

00:11:41.240 --> 00:11:44.280
נתונים משתנים, מסמכים מתעדכנים, מוצרים חדשים מתווספים

00:11:44.280 --> 00:11:45.920
מדיניות ישנה עוברת לארכיון

00:11:45.920 --> 00:11:47.480
בכל פעם שנתוני המקור שלך משתנים

00:11:47.480 --> 00:11:49.040
גם הווקטורים שלך צריכים להשתנות

00:11:49.040 --> 00:11:50.720
כאן נכנס לתמונה ה-ETL הווקטורי

00:11:50.720 --> 00:11:53.380
ETL מייצג חילוץ, טרנספורמציה וטיינה, Extract, Transform, Log

00:11:53.380 --> 00:11:55.840
עבור מסדי נתונים וקטוריים, התהליך נראה כך

00:11:55.840 --> 00:11:58.840
ראשית, אתה מחלץ מסמכים חדשים או ששונו מהמקור שלך

00:11:58.840 --> 00:12:01.000
אולי מקולת יחסון בלוב, ספריית שרפוינט

00:12:01.000 --> 00:12:02.120
או מסד נתונים סיקוואר

00:12:02.120 --> 00:12:04.060
לאחר מכן, אתה מבצע להם טרנספורמציה

00:12:04.060 --> 00:12:06.000
על ידי חלוקת הטקסט לחתיכות ניתנות לניהול

00:12:06.000 --> 00:12:08.120
והעברת כל חתיכה דרך מודל האמבדינג שלך

00:12:08.120 --> 00:12:10.080
לבסוף, אתה טוען את הווקטורים שנוצרו

00:12:10.080 --> 00:12:12.040
לתוך מאגר הווקטורים שלך יחד עם מטה דאטה

00:12:12.040 --> 00:12:14.120
כמו כתובת ה-URL של המקור, חותמת זמן

00:12:14.120 --> 00:12:15.600
וגרסת המודל שבה נעשה שימוש

00:12:15.600 --> 00:12:18.100
השיטה המומלצת כאן, עבדו בצורה הדרגתית

00:12:18.100 --> 00:12:21.580
אל תבצעו מחדש אמבדינג לכל הקורפוס שלכם בכל פעם שמשהו משתנה

00:12:21.580 --> 00:12:23.560
עבדו רק על המסמכים שבאמת השתנו

00:12:23.560 --> 00:12:25.960
עקבו אחרי איזו גרסת מודל יצרה כל אמבדינג

00:12:25.960 --> 00:12:29.180
שדרגו את המודל והווקטורים הישנים יהפכו ללא עקביים עם החדשים

00:12:29.180 --> 00:12:30.720
ושימו לב לעלויות שלכם

00:12:30.720 --> 00:12:33.400
ממשקי ה-API של האמבדינג גובים תשלום לפי תוקן

00:12:33.400 --> 00:12:35.000
כך שעיבוד מיליוני מסמכים יצטבר מהר

00:12:35.000 --> 00:12:37.280
ב-Azure זרימת עבודה טיפוסית היא פשוטה

00:12:37.280 --> 00:12:39.500
אך סנו את המסמכים שלכם בבלוב סטוריג

00:12:39.500 --> 00:12:42.200
לאחר מכן, הגדירו אינדקסר Azure AI Search

00:12:42.200 --> 00:12:45.720
עם סט כלים משולב שמטפל בחלוקה ובאמבדינג באופן אוטומטי

00:12:45.720 --> 00:12:48.340
מייקרוסופט מספקת את כלי פיצול הטקסט לחלוקה

00:12:48.340 --> 00:12:51.640
ואת כלי מודל האמבדינג של Azure OpenAI ליצירת וקטורים

00:12:51.640 --> 00:12:54.580
האינדקסר רץ לפי לוח זמנים, אוסף קבצים חדשים

00:12:54.580 --> 00:12:56.780
מאבד אותם ומעדכן את הווקטורים באינדקס

00:12:56.780 --> 00:12:58.960
אין צורך בקוד מותאם אישית לצינור העיבוד

00:12:58.960 --> 00:13:01.300
הנה טעות נפוצה, התעלמות ממטה דאטה

00:13:01.300 --> 00:13:03.160
כל וקטור זקוק להפנייה למקור שלו

00:13:03.160 --> 00:13:04.860
לשם וגרסת מודל האמבדינג

00:13:04.860 --> 00:13:06.120
ולחותמת זמן של יצירה

00:13:06.120 --> 00:13:08.280
ללא זאת, לא תוכלו לעקוב מאיפה הגיע תוצאה

00:13:08.280 --> 00:13:10.620
לא תוכלו לבצע אמבדינג מחדש כשהמודלים משתנים

00:13:10.620 --> 00:13:11.920
ותתקשו בביקורות טעימות

00:13:11.920 --> 00:13:14.220
התייחסו לווקטורים שלכם כמו לכל נתון עסקי אחר

00:13:14.220 --> 00:13:15.780
עקבו אחר שרשרת היוחסים שלהם

00:13:15.780 --> 00:13:17.220
הצעדים הבאים שלכם

00:13:17.220 --> 00:13:19.320
אז, מוכנים לנסות את זה בעצמכם?

00:13:19.500 --> 00:13:20.300
התחילו פשוט

00:13:20.300 --> 00:13:21.500
פיתחו את פורטל Azure

00:13:21.500 --> 00:13:23.200
ווצרו משאב Azure Eye Search

00:13:23.200 --> 00:13:25.800
לאחר מכן, הפעילו חיפוש וקטורי על אינדקס קיים

00:13:25.800 --> 00:13:26.880
העלו כמה מסמכים

00:13:26.880 --> 00:13:28.360
בחרו מודל התמאה, אמבדינג

00:13:28.360 --> 00:13:29.460
והריצו שאילתה דמיון

00:13:29.460 --> 00:13:31.320
תראו שזה עובד תוך פחות משעה

00:13:31.320 --> 00:13:33.440
למפתחים, קחו את ה-SDK של פייטון

00:13:33.440 --> 00:13:35.700
התמיעו קומץ מסמכים באמצעות Azure Open AI

00:13:35.700 --> 00:13:37.880
החסנו אותם בחיפוש הוקטורי של Cosmos DB

00:13:37.880 --> 00:13:40.260
וחתבו שאילתה שמוצאת את ההתאמה הקרובה ביותר

00:13:40.260 --> 00:13:43.700
מייקרוסופט מספקת דוגמאות קוד ברורות ותיעוד שילבו אתכם בתהליך

00:13:43.700 --> 00:13:47.120
אתם לא חייבים להפוך למדעני נתונים כדי להשתמש בבסיסי נתונים וקטוריים

00:13:47.120 --> 00:13:51.320
הכלים של מייקרוסופט מטפלים ביצירת ההתמאות, באינדוקס ובלוגיקת השאילתות

00:13:51.320 --> 00:13:55.440
העבודה היחידה שלכם היא להבין את הקונספט ולהפנות את הכלים לנתונים שלכם

00:13:55.440 --> 00:13:56.260
הנה אתגר

00:13:56.260 --> 00:13:58.700
חישבו על בעיית החיפוש שאתם מתמודדים איתה היום

00:13:58.700 --> 00:14:01.620
אולי זה מציאת מסמכים פנימיים, חיפוש בכתלוג מוצרים

00:14:01.620 --> 00:14:03.820
או מענה לי שאלות לקוחות מתוך בסיס ידע

00:14:03.820 --> 00:14:07.120
האם חיפוש וקטורי יכול להצליח יותר מהתאמת מילות מפתח?

00:14:07.360 --> 00:14:11.080
בחרו קבוצת נתונים קטנה, אפילו מאה מסמכים ונסו את זה

00:14:11.080 --> 00:14:12.640
תרגישו בהבדל מיד

00:14:12.640 --> 00:14:16.260
אז עכשיו אתם מבינים מה הם באמת בסיסי נתונים וקטוריים

00:14:16.260 --> 00:14:17.840
הם לא טכנולוגיית AI מסתורית

00:14:17.840 --> 00:14:22.120
הם פשוט דרך להכסן ולחפש את המשמעות של הנתונים שלכם במקום את המילים המדויקות

00:14:22.120 --> 00:14:27.100
הם מניעים את החיפוש החכם ואת תכונות AI בתוך Microsoft 365, Azure וקופילות

00:14:27.100 --> 00:14:29.820
בכל פעם שאתם שואלים שאלה ומקבלים תשובה רלוונטית

00:14:29.820 --> 00:14:33.260
אפשהו בסיס נתונים וקטורי מצא את ההתאמה הקרובה ביותר לשאילתה שלכם

00:14:33.260 --> 00:14:38.680
העובדות המובנות שלכם, שמות לקוחות, סכומי הזמנות, ספירות מלאי אלו עדיין חיים בבסיסי נתונים עשורתיים

00:14:38.680 --> 00:14:41.360
בסיסי נתונים וקטוריים מוסיפים את שכבת ההבנה

00:14:41.360 --> 00:14:44.860
הם מאפשרים לאפליקציה שלכם לחפש לפי משמעות, לפי כוונה ולפי הקשר

00:14:44.860 --> 00:14:49.220
זו התמונה הגדולה, הרשמו לערוץ לעוד הסברים פשוטים על הטכנולוגיה של מייקרוסופט

00:14:49.220 --> 00:14:51.960
בפעם הבאה, נסתכל על האופן שבו צינורות רג באמת עובדים

00:14:51.960 --> 00:14:53.660
ואיך תוכלו לבנות אחד כזה אחר הצהריים

00:14:53.660 --> 00:14:54.740
תודה שהקשבתם
