WEBVTT

00:00:00.000 --> 00:00:04.740
Halo semuanya dan selamat datang di episode lain dari kumpulan pengetahuan Microsoft di M365FM.

00:00:04.960 --> 00:00:06.280
Em, saya Mirko Peters membawa acara.

00:00:06.580 --> 00:00:08.740
Topik hari ini adalah topik yang hampir semua orang pernah dengar,

00:00:08.880 --> 00:00:10.540
tetapi sangat sedikit orang yang benar-benar memahami.

00:00:10.900 --> 00:00:11.560
Basis Data Vector.

00:00:12.000 --> 00:00:14.040
Anda mungkin pernah melihat istilah itu di artikel tentang AI

00:00:14.040 --> 00:00:16.460
atau mendengarnya dalam percakapan tentang Copilot dan JCPT.

00:00:17.000 --> 00:00:18.080
Namun apa sebenarnya Basis Data Vector?

00:00:18.580 --> 00:00:21.000
Apakah itu sekadar basis data biasa dengan namanya lebih menarik?

00:00:21.060 --> 00:00:22.180
Atau sesuatu yang sama sekali berbeda?

00:00:22.520 --> 00:00:24.380
Bayangkan mencari jaket merah di situs e-commerce

00:00:24.380 --> 00:00:27.560
dan mendapatkan hasil yang menunjukkan mantel merah tua dan pakaian luar merah anggur.

00:00:27.560 --> 00:00:30.280
Bagaimana komputer tahu bahwa keduanya adalah hal yang sempurna?

00:00:30.640 --> 00:00:32.180
Komputer tidak mencocokkan kata komputer.

00:00:32.260 --> 00:00:34.540
Merah tua bukanlah merah dan mantel bukanlah jaket.

00:00:35.140 --> 00:00:37.660
Namun entah bagaimana mesin mencari memahami bahwa keduanya terkait

00:00:37.660 --> 00:00:39.160
dan itulah penelusuran Vector yang sempurna.

00:00:39.160 --> 00:00:42.060
Di akhir episode ini, Anda akan memahami apa sebenarnya Basis Data Vector itu,

00:00:42.140 --> 00:00:44.120
mengapa Basis Data itu mendukung penelusuran AI dan Copilot,

00:00:44.260 --> 00:00:45.860
serta bagaimana Basis Data itu cocok dengan Copilot,

00:00:45.940 --> 00:00:46.760
serta bagaimana kalau Microsoft.

00:00:46.900 --> 00:00:48.260
Kami membuatnya dalam bahasa Inggris yang sering.

00:00:48.520 --> 00:00:51.000
Tanpa matematika, tanpa jargon, hanya blok bangunan yang jelas.

00:00:51.720 --> 00:00:52.520
Apa sebenarnya Vector itu?

00:00:52.520 --> 00:00:54.620
Mari kita mulai dengan pertanyaan inti.

00:00:55.120 --> 00:00:56.040
Apa sebenarnya Vector itu?

00:00:56.840 --> 00:00:58.560
Ketika kebanyakan orang mendengar kata Vector,

00:00:58.740 --> 00:01:00.500
mereka membayangkan anak panah dari kelas fisika,

00:01:00.620 --> 00:01:01.400
arah dan besarnya.

00:01:01.980 --> 00:01:03.180
Dalam komputasi itu jawab besederhan.

00:01:03.520 --> 00:01:05.000
Vector sebenarnya hanyalah daftar angka.

00:01:05.860 --> 00:01:07.480
Susunan satu dimensi yang mewakili sesuatu

00:01:07.480 --> 00:01:09.080
dalam format yang dapat digunakan komputer.

00:01:09.500 --> 00:01:10.840
Berikut cara praktis untuk menggambarkan.

00:01:11.180 --> 00:01:14.260
Jika saya meminta Anda untuk menemui saya di lantai 3 di sayap B kamar 12,

00:01:14.440 --> 00:01:16.640
itu adalah tiga angka yang menggambarkan lokasi tertentu.

00:01:16.640 --> 00:01:18.880
Itu adalah Vector tiga dimensi yang memberitahu Anda dengan tepat

00:01:18.880 --> 00:01:20.140
di mana sesuatu berada di sebuah gedung.

00:01:20.140 --> 00:01:21.580
Sekarang bayangkan saya menambahkan,

00:01:21.900 --> 00:01:24.420
warna pintu, ukuran ruangan, harga per kaki persegi,

00:01:25.100 --> 00:01:26.660
setiap detail baru menjadi dimensi lain.

00:01:27.260 --> 00:01:28.640
Jadi semakin banyak dimensi yang Anda buat,

00:01:28.740 --> 00:01:30.740
semakin banyak informasi yang dapat Anda tangkap tentang benda itu.

00:01:31.220 --> 00:01:33.100
Sebuah mobil dapat dijelaskan berdasarkan kecepatan,

00:01:33.180 --> 00:01:34.760
jarak tempuh, harga berat, dan peringkat keselam.

00:01:35.060 --> 00:01:36.100
Itu adalah Vector lima dimensi.

00:01:36.640 --> 00:01:38.540
Sebuah produk dapat dijelaskan oleh ratusan fitur

00:01:38.540 --> 00:01:40.340
yang memberi Anda Vector berdimensi tinggi.

00:01:40.840 --> 00:01:41.400
Begini masalahnya.

00:01:41.660 --> 00:01:44.580
Vector memungkinkan kita memubah sesuatu menjadi angka yang dapat dibandingkan oleh komputer.

00:01:44.580 --> 00:01:46.320
Kata-kata, gambar, suara, dokumen,

00:01:46.320 --> 00:01:47.700
apapun dapat menjadi daftar angka.

00:01:48.040 --> 00:01:49.020
Setelah semuanya menjadi angka,

00:01:49.120 --> 00:01:51.120
Anda dapat mulai mengukur seberapa mirip dua hal sebenarnya.

00:01:51.700 --> 00:01:54.260
Dua ruangnya di lantai yang sama dengan warna pintu yang serupa berakhir

00:01:54.260 --> 00:01:55.300
berdekatan dalam ruang Vector.

00:01:55.760 --> 00:01:57.900
Dan dua produk yang serupa juga berkumpul bersama.

00:01:58.920 --> 00:02:01.180
Jadi sederhana itulah yang memungkinkan pencarian AI modern.

00:02:01.880 --> 00:02:03.140
Dari Vector hingga penyematan,

00:02:03.580 --> 00:02:04.500
tidak semua Vector sama.

00:02:05.100 --> 00:02:06.640
Ada jenis khusus yang disebut penyematan,

00:02:06.860 --> 00:02:08.120
dan disitulah kekuatan sebenarnya muncul.

00:02:08.540 --> 00:02:09.580
Jadi apa sebenarnya penyematan itu?

00:02:09.920 --> 00:02:11.580
Penyematan adalah Vector yang mengkilih makna.

00:02:12.420 --> 00:02:14.140
Model pembelajaran mesin seperti penyematan

00:02:14.140 --> 00:02:16.660
teks Azure Open AI membaca teks dan menempatkannya

00:02:16.660 --> 00:02:18.180
dalam ruang berdimensi tinggi.

00:02:18.880 --> 00:02:20.660
Model tersebut belajar dari miliaran contoh

00:02:20.660 --> 00:02:22.720
sehingga memahami bagaimana kata-kata sering berhubungan.

00:02:23.320 --> 00:02:24.680
Raja dan ratu berakhir berdekatan

00:02:24.680 --> 00:02:26.340
karena mereka memiliki konteks yang serupa.

00:02:26.940 --> 00:02:28.060
Raja dan kupi berakhir berjauhan

00:02:28.060 --> 00:02:29.980
karena mereka tidak memiliki konteks yang serupa.

00:02:30.080 --> 00:02:31.220
Berikut artinya Dama Senggusudera.

00:02:31.800 --> 00:02:33.060
Saat Anda mencari jaket merah,

00:02:33.380 --> 00:02:34.640
sistem menemukan mantul merah tua.

00:02:36.080 --> 00:02:38.300
Model penyematan mengenali bahwa merah dan merah tua

00:02:38.300 --> 00:02:41.000
memiliki makna yang dekat dan jaket serta mangkal juga dekat.

00:02:41.720 --> 00:02:43.220
Penyematan untuk kedua frase tersebut

00:02:43.220 --> 00:02:44.540
menjadi tetangga dalam ruang vektor.

00:02:45.080 --> 00:02:46.480
Komputer tidak lagi mencocokkan huruf.

00:02:47.080 --> 00:02:47.880
Komputer mencocokkan mat.

00:02:48.740 --> 00:02:50.440
Sekarang izinkan saya memberi Anda contoh kelas.

00:02:50.860 --> 00:02:51.820
Ambil vektor untuk raja,

00:02:52.080 --> 00:02:53.120
kurangi vektor untuk pria,

00:02:53.240 --> 00:02:54.500
dan tambahkan vektor untuk wanita.

00:02:55.680 --> 00:02:57.620
Hasilnya sangat dekat dengan vektor untuk ratu.

00:02:58.340 --> 00:02:59.800
Raja dikurangi pria, ditambah wanita sama.

00:03:00.300 --> 00:03:01.480
Kedengarannya seperti sulap,

00:03:01.640 --> 00:03:03.000
tetapi begitulah cara model tersebut

00:03:03.000 --> 00:03:04.180
mengubah hubungan menjadi angkat.

00:03:05.200 --> 00:03:06.700
Model tersebut mempelajari bahwa

00:03:06.700 --> 00:03:08.840
raja dan ratu memiliki hubungan yang mirip

00:03:08.840 --> 00:03:09.800
dengan pria dan wanita,

00:03:10.020 --> 00:03:11.980
dan hubungan tersebut dikodekan dalam koordinat.

00:03:11.980 --> 00:03:14.740
Jadi, model penyematan mengambil data mentah Anda,

00:03:14.900 --> 00:03:16.540
baik itu teks, gambar, atau audio,

00:03:17.020 --> 00:03:18.400
dan mengubahnya menjadi daftar angka

00:03:18.400 --> 00:03:19.340
yang mewakili maknanya.

00:03:20.100 --> 00:03:21.580
Angka-angka tersebut menjadi koordinat

00:03:21.580 --> 00:03:22.800
dalam ruang berdimensi tinggi.

00:03:23.460 --> 00:03:25.200
Kemudian, saat Anda mencari query Anda,

00:03:25.300 --> 00:03:26.760
diubah menjadi jenis koordinat yang sama.

00:03:27.240 --> 00:03:27.920
Yang perlu Anda lakukan

00:03:27.920 --> 00:03:28.980
hanyalah mengukur jarak kedua.

00:03:29.220 --> 00:03:29.880
Itulah ide intinya.

00:03:30.440 --> 00:03:31.900
Mengapa basis data tradisional tidak berfungsi?

00:03:32.360 --> 00:03:33.500
Jika penyematan begitu hebat,

00:03:33.600 --> 00:03:34.520
mengapa kita tidak bisa menggunakan

00:03:34.520 --> 00:03:35.220
basis data biasa saja?

00:03:35.620 --> 00:03:36.440
Mari kita jawab pertanyaan itu.

00:03:36.440 --> 00:03:39.180
Basis data SQL tradisional dibuat

00:03:39.180 --> 00:03:40.040
untuk pencocokan eksat.

00:03:40.400 --> 00:03:41.980
Anda menulis di mana warna sama dengan merah,

00:03:42.160 --> 00:03:43.300
dan basis data itu akan menemukan

00:03:43.300 --> 00:03:44.460
setiap baris di mana kolom warna

00:03:44.460 --> 00:03:45.400
secara alfias sama dengan merah.

00:03:45.600 --> 00:03:47.140
Itu sangat cocok untuk data terstruktur

00:03:47.140 --> 00:03:48.000
seperti nama pelanggan,

00:03:48.100 --> 00:03:48.700
tanggal pemesanan,

00:03:48.840 --> 00:03:49.500
atau harga produk.

00:03:49.800 --> 00:03:50.780
Tetap itu akan gagal total

00:03:50.780 --> 00:03:52.180
saat Anda membutuhkan makna yang kabur.

00:03:52.700 --> 00:03:53.840
Cobalah menulis query SQL

00:03:53.840 --> 00:03:55.100
yang menemukan kode merah tua

00:03:55.100 --> 00:03:56.520
saat data Anda hanya menyebutkan

00:03:56.520 --> 00:03:57.280
jaket merah anggur.

00:03:58.180 --> 00:04:00.040
Anda tidak bisa karena SQL tidak memahami konsep.

00:04:00.840 --> 00:04:01.820
Basis data tradisional

00:04:01.820 --> 00:04:03.520
menyimpan data dalam baris dan kolom.

00:04:04.020 --> 00:04:05.300
Basis data tersebut dioptimalkan

00:04:05.300 --> 00:04:06.420
untuk penggabungan agregasi

00:04:06.420 --> 00:04:07.260
dan pencarian eksat.

00:04:07.860 --> 00:04:08.900
Basis data tersebut tidak tahu

00:04:08.900 --> 00:04:10.460
bahwa mobil dan mobil adalah hal yang sama.

00:04:10.700 --> 00:04:11.840
Basis data tersebut tidak tahu bahwa

00:04:11.840 --> 00:04:13.620
gembira dan gembira adalah emosiensi.

00:04:13.760 --> 00:04:15.060
Basis data tersebut hanya mencocokkan string.

00:04:15.340 --> 00:04:16.740
Dan jika data Anda tidak terstruktur

00:04:16.740 --> 00:04:18.520
seperti PDF, gambar, rekaman audio,

00:04:18.660 --> 00:04:19.420
atau dokumen panjang,

00:04:19.900 --> 00:04:21.440
basis data tradisional dapat menyimpannya

00:04:21.440 --> 00:04:21.900
sebagai blog,

00:04:22.100 --> 00:04:23.520
tetapi tidak dapat benar-benar mencari isinya.

00:04:24.620 --> 00:04:25.980
Anda memerlukan pencarian teks lengkap.

00:04:27.480 --> 00:04:28.900
Jika pengguna mengetik laporan anggaran,

00:04:29.100 --> 00:04:29.960
tetapi dokumen tersebut

00:04:29.960 --> 00:04:31.100
menyebutkan ringkasan keuangan,

00:04:31.260 --> 00:04:32.060
pencarian kata kunci

00:04:32.060 --> 00:04:33.220
tidak akan menemukannya sama sekali.

00:04:33.440 --> 00:04:34.240
Tetapi pikirkan seperti ini.

00:04:34.460 --> 00:04:36.060
Basis data biasa itu seperti lemari arsip.

00:04:36.420 --> 00:04:37.820
Anda perlu mengetahui nama file yang tepat

00:04:37.820 --> 00:04:38.980
untuk menemukan apa yang Anda cari.

00:04:39.460 --> 00:04:40.480
Basis data faktor itu seperti

00:04:40.480 --> 00:04:41.880
pustakawan yang mengerti maksud Anda.

00:04:42.480 --> 00:04:43.180
Anda dapat berkata,

00:04:43.280 --> 00:04:44.120
saya butuh dokumen tentang

00:04:44.120 --> 00:04:45.260
pengeluaran kuartal terakhir.

00:04:45.820 --> 00:04:47.100
Pustakawan itu tahu persis folder

00:04:47.100 --> 00:04:47.980
mana yang harus diambil

00:04:47.980 --> 00:04:49.280
meskipun folder itu diberi label

00:04:49.280 --> 00:04:50.560
ringkasan keuangan kuartal ketiga.

00:04:51.280 --> 00:04:52.620
Pustakawan itu memahami maksud,

00:04:52.920 --> 00:04:53.720
bukan sekadar label.

00:04:54.200 --> 00:04:55.400
Itulah sebabnya basis data faktoran.

00:04:55.400 --> 00:04:57.400
Basis data itu menyimpan penyematan,

00:04:57.480 --> 00:04:58.360
faktor penangkap makna,

00:04:58.620 --> 00:04:59.520
dan mengindeksnya dengan cara

00:04:59.520 --> 00:05:00.720
yang mempercepat pencarian kesamaan.

00:05:01.540 --> 00:05:02.420
Basis data tradisional.

00:05:03.080 --> 00:05:04.320
Basis data itu menambahkan

00:05:04.320 --> 00:05:05.700
lapisan pemahaman di atasnya

00:05:05.700 --> 00:05:06.720
dan lapisan itu mengubah segala.

00:05:06.940 --> 00:05:08.280
Basis data faktor menambahkan

00:05:08.280 --> 00:05:09.260
lapisan pemahaman di atasnya

00:05:09.260 --> 00:05:10.320
dan lapisan itu mengubah segala.

00:05:10.740 --> 00:05:11.880
Cara kerja basis data faktor.

00:05:12.240 --> 00:05:12.960
Jadi bagaimana semua ini

00:05:12.960 --> 00:05:13.780
bekerja di balik layar?

00:05:14.340 --> 00:05:15.720
Mari kita bahas dua fase utama,

00:05:16.120 --> 00:05:16.880
penyerapan dan query.

00:05:17.240 --> 00:05:18.300
Penyerapan adalah fase penyiapan.

00:05:19.220 --> 00:05:20.380
Anda mengambil data mentah,

00:05:20.560 --> 00:05:21.180
deskripsi produk,

00:05:21.500 --> 00:05:22.140
tiket dukungan,

00:05:22.600 --> 00:05:24.200
dokumen internal apapun yang Anda miliki,

00:05:24.200 --> 00:05:25.620
dan menjalankan setiap bagian

00:05:25.620 --> 00:05:26.760
menyebut model penyematan.

00:05:27.540 --> 00:05:28.980
Model itu mengubah teks menjadi vektor

00:05:28.980 --> 00:05:30.280
yang pada dasarnya adalah

00:05:30.280 --> 00:05:32.040
daftar angka yang menangkap makna.

00:05:32.460 --> 00:05:33.780
Kemudian Anda menyimpan vektor itu

00:05:33.780 --> 00:05:35.200
dalam basis data bersama dengan

00:05:35.200 --> 00:05:36.260
beberapa metadata,

00:05:36.560 --> 00:05:37.600
teks asli, stempel waktu,

00:05:37.800 --> 00:05:39.180
mungkin kategori atau URL sumber.

00:05:39.600 --> 00:05:40.460
Nah inilah bagian yang pintar.

00:05:40.700 --> 00:05:41.920
Jika Anda memiliki situr dokumen,

00:05:42.020 --> 00:05:43.380
memeriksa setiap vektor satu persatukan

00:05:43.380 --> 00:05:44.080
memakan waktu lama.

00:05:44.340 --> 00:05:45.740
Itulah sebabnya basis data saya

00:05:45.740 --> 00:05:47.000
menggunakan sesuatu yang disebut pengindeksan.

00:05:47.440 --> 00:05:48.480
Anggap pengindeksan seperti

00:05:48.480 --> 00:05:50.160
membuat peta ruang vektor alih-alih

00:05:50.160 --> 00:05:51.520
mengetuk setiap pintu.

00:05:52.300 --> 00:05:53.220
Dua metode umum adalah

00:05:54.200 --> 00:05:55.540
IVF adalah singkatan dari

00:05:55.540 --> 00:05:56.180
indeks berkas tempat.

00:05:56.520 --> 00:05:57.720
Ia bekerja dengan melompokkan vektor

00:05:57.720 --> 00:05:58.640
yang serupa ke dalam kluster.

00:05:59.140 --> 00:05:59.880
Saat Anda mencari,

00:06:00.060 --> 00:06:01.440
alih-alih memindahi semua juta vektor

00:06:01.440 --> 00:06:02.500
Anda hanya memeriksa kluster

00:06:02.500 --> 00:06:03.200
yang paling menjanjikan.

00:06:03.480 --> 00:06:04.780
Ini seperti mencari buku di perpustakaan.

00:06:05.420 --> 00:06:06.680
Anda langsung menuju ke bagian yang tepat

00:06:06.680 --> 00:06:07.760
alih-alih memindahi setiap lap.

00:06:08.220 --> 00:06:09.540
H adalah singkatan dari dunia kecil

00:06:09.540 --> 00:06:11.000
yang dapat dinavigasi secara hirarkis.

00:06:11.300 --> 00:06:12.260
Ide-nya cukup elegan.

00:06:12.760 --> 00:06:13.780
Ia membangun peta multilapis

00:06:13.780 --> 00:06:14.400
dari vektor Anda.

00:06:15.100 --> 00:06:16.280
Lapisan teratas berisi beberapa

00:06:16.280 --> 00:06:17.560
vektor representatif yang memberi Anda

00:06:17.560 --> 00:06:18.360
gambaran kasar tentang

00:06:18.360 --> 00:06:19.080
di mana letak berbagai.

00:06:24.200 --> 00:06:25.080
Mulai lalu menelusuri lapisan

00:06:25.080 --> 00:06:25.860
demi lapisan hingga Anda

00:06:25.860 --> 00:06:27.020
menemukan kecocokan yang tepat.

00:06:27.540 --> 00:06:28.900
Ini seperti menggunakan peta kota terlebih dahulu.

00:06:29.140 --> 00:06:30.040
Lalu peta lingkungan sekitar.

00:06:30.180 --> 00:06:30.800
Lalu peta jalan.

00:06:31.480 --> 00:06:32.420
Masih yang akan membuat Anda lebih dekat.

00:06:32.760 --> 00:06:33.740
Hasilnya adalah Anda dapat

00:06:33.740 --> 00:06:34.660
mencari jutaan vektor

00:06:34.660 --> 00:06:35.780
dalam hitungan mili detik.

00:06:36.160 --> 00:06:37.740
Itulah yang mendukung fitur AI waktu nyata.

00:06:38.500 --> 00:06:40.060
Saat Anda mengetik pertanyaan ke copilot

00:06:40.060 --> 00:06:41.320
dan mendapatkan jawaban kembali,

00:06:41.760 --> 00:06:42.420
dalam hitungan detik,

00:06:42.520 --> 00:06:43.700
di suatu tempat basis data vektor

00:06:43.700 --> 00:06:45.020
baru saja menjalankan pencari kesamaan

00:06:45.020 --> 00:06:46.040
di ribuan atau jutaan dokumen.

00:06:46.040 --> 00:06:47.520
Fase query bekerja dengan cara yang sama

00:06:47.520 --> 00:06:48.080
secara terbalik.

00:06:48.080 --> 00:06:49.280
Anda mengetik pertanyaan Anda.

00:06:49.540 --> 00:06:51.080
Pertanyaan itu diubah menjadi vektor

00:06:51.080 --> 00:06:52.800
menggunakan modal penyematan yang sama persis.

00:06:53.180 --> 00:06:54.840
Kemudian basis data menemukan tetangga terdekat

00:06:54.840 --> 00:06:56.320
ke vektor query Anda menggunakan indeks.

00:06:56.900 --> 00:06:58.360
Ia mengembalikan hasil yang paling mirip

00:06:58.360 --> 00:06:59.500
yang diberi peringkat berdasarkan jat.

00:07:00.000 --> 00:07:00.920
Semakin dekat vektor,

00:07:01.180 --> 00:07:02.280
semakin relevan hasilnya.

00:07:03.420 --> 00:07:05.240
Ekosistem Microsoft tempat vektor berada.

00:07:05.940 --> 00:07:07.480
Jadi mana semua ini berada di dunia Microsoft?

00:07:08.280 --> 00:07:08.900
Jawaban singkatnya, Dima.

00:07:09.300 --> 00:07:10.860
Microsoft menambahkan kemampuan vektor

00:07:10.860 --> 00:07:11.640
ke dalam platform data

00:07:11.640 --> 00:07:12.860
yang sudah Anda gunakan alih-alih

00:07:12.860 --> 00:07:15.140
mendorong Anda menuju basis data spesialis yang terpisah.

00:07:15.780 --> 00:07:16.580
Mari kita bahas yang utama.

00:07:16.580 --> 00:07:19.360
Azure AI Search adalah penyimpanan vektor

00:07:19.360 --> 00:07:21.140
yang paling umum untuk data perusahaan.

00:07:21.720 --> 00:07:23.260
Itu adalah generasi augmented retrieval.

00:07:24.220 --> 00:07:25.200
Mendukung pencarian hybrid

00:07:25.200 --> 00:07:26.820
yang berarti menggabungkan pencocokan

00:07:26.820 --> 00:07:28.800
kata kunci tradisional dengan kesamaan vektor.

00:07:29.360 --> 00:07:29.900
Mengapa itu penting?

00:07:30.300 --> 00:07:31.880
Karena beberapa pencarian bekerja paling baik

00:07:31.880 --> 00:07:32.640
dengan kata kunci,

00:07:32.820 --> 00:07:33.540
kode produk yang tepat,

00:07:33.660 --> 00:07:34.140
nama tanggal.

00:07:34.420 --> 00:07:35.980
Sementara yang lain memperlukan pemahaman semantik.

00:07:36.320 --> 00:07:37.380
Pencarian hybrid memberi Anda kedua.

00:07:37.960 --> 00:07:39.440
Azure AI Search juga menyertakan

00:07:39.440 --> 00:07:40.740
vektorisasi terintegrasi

00:07:40.740 --> 00:07:42.340
sehingga Anda dapat menyiapkan alur

00:07:42.340 --> 00:07:43.980
yang secara otomatis melompokkan dokumen

00:07:43.980 --> 00:07:45.020
menghasilkan penyematan

00:07:45.020 --> 00:07:46.260
dan mengindeksnya tanpa menulis

00:07:46.260 --> 00:07:46.820
kode khusus.

00:07:47.600 --> 00:07:49.320
Cosmos DB kini memiliki pencarian vektor asli

00:07:49.320 --> 00:07:50.380
dengan pengindeksan disk ANN.

00:07:50.860 --> 00:07:51.980
Disk ANN adalah singkatan

00:07:51.980 --> 00:07:53.660
dari perkiraan tetangga terdekat berbasis disk

00:07:53.660 --> 00:07:55.920
dan dibuat untuk latensi di bawah 20 milidetik

00:07:55.920 --> 00:07:56.900
bahkan dalam skala besar.

00:07:57.380 --> 00:07:58.720
Itu bagus untuk data operasional

00:07:58.720 --> 00:08:00.100
yang sudah ada di Cosmos DB.

00:08:01.060 --> 00:08:02.020
Katakanlah Anda sedang membangun

00:08:02.020 --> 00:08:03.360
aplikasi e-commerce dengan Cosmos DB

00:08:03.360 --> 00:08:03.900
sebagai pekenan.

00:08:04.380 --> 00:08:06.020
Kini Anda dapat menambahkan pencarian vektor

00:08:06.020 --> 00:08:07.340
langsung ke katalog produk Anda

00:08:07.340 --> 00:08:08.880
tanpa memindahkan data kelainan terpisah.

00:08:09.580 --> 00:08:11.260
Pelanggan mencari sepatu musim panas yang ringan

00:08:11.260 --> 00:08:12.840
dan aplikasi Anda menemukan produk

00:08:12.840 --> 00:08:13.760
dengan deskripsi serupa

00:08:13.760 --> 00:08:14.480
di dalam basis data

00:08:14.480 --> 00:08:18.120
yang sudah ada Azure SQL Server 2025

00:08:18.120 --> 00:08:19.960
dan Azure SQL Database juga telah bergabung.

00:08:20.520 --> 00:08:21.580
Keduanya kini menyertakan

00:08:21.580 --> 00:08:22.560
tipe data vektor asli

00:08:22.560 --> 00:08:23.940
dan fungsi seperti pencarian vektor.

00:08:24.200 --> 00:08:25.440
Artinya Anda dapat menyimpan

00:08:25.440 --> 00:08:27.180
penyematan tepat di samping data relasional Anda.

00:08:27.580 --> 00:08:28.260
Catatan pelanggan

00:08:28.260 --> 00:08:29.940
dengan representasi vektor preferensi mereka,

00:08:30.100 --> 00:08:30.880
item inventaris

00:08:30.880 --> 00:08:31.920
dengan deskripsi vektor,

00:08:32.120 --> 00:08:32.700
tiket dukungan

00:08:32.700 --> 00:08:34.820
dengan penyematan vektor konten mereka.

00:08:35.820 --> 00:08:36.500
Anda tidak merupakan

00:08:36.500 --> 00:08:37.480
bahasa catat vektor terpisah.

00:08:37.660 --> 00:08:38.540
Keterampilan SQL Anda

00:08:38.540 --> 00:08:39.320
sudah ada tetap berlaku.

00:08:39.760 --> 00:08:40.920
Cukup tambahkan kolom vektor

00:08:40.920 --> 00:08:42.000
buat indeks dan mulai query

00:08:42.000 --> 00:08:42.900
berdasarkan kesamaan.

00:08:42.900 --> 00:08:44.460
Beginilah cara kopilot

00:08:44.460 --> 00:08:45.320
menggunakannya secara mendalam.

00:08:46.060 --> 00:08:46.840
Saat Anda bertanya,

00:08:47.040 --> 00:08:48.400
tunjukkan laporan penjualan

00:08:48.400 --> 00:08:49.200
ketika tahun lalu,

00:08:49.580 --> 00:08:50.420
kopilot tidak mencari

00:08:50.420 --> 00:08:50.980
frasa persis

00:08:50.980 --> 00:08:52.240
laporan penjualan ketika.

00:08:53.000 --> 00:08:54.240
Kopilot mengubah pertanyaan Anda

00:08:54.240 --> 00:08:54.900
menjadi vektor

00:08:54.900 --> 00:08:56.280
mencari di seluruh dokumen indeks,

00:08:56.540 --> 00:08:57.500
email, file sharepoint,

00:08:57.660 --> 00:08:58.280
dokumen OneDrive,

00:08:58.420 --> 00:08:58.980
obrolan Teams,

00:08:59.260 --> 00:09:00.020
dan menemukan dokumen

00:09:00.020 --> 00:09:00.520
yang penyematannya

00:09:00.520 --> 00:09:01.720
paling dekat dengan query Anda.

00:09:02.060 --> 00:09:02.160
Dia.

00:09:03.360 --> 00:09:04.380
Ia mungkin menemukan berkas

00:09:04.380 --> 00:09:05.120
bernama ringkasan

00:09:05.120 --> 00:09:06.560
keuangan kuartal ketiga 2024

00:09:06.560 --> 00:09:07.580
karena maknanya cocok

00:09:07.580 --> 00:09:08.340
meskipun kata-katanya

00:09:08.340 --> 00:09:09.020
tidak sama persis.

00:09:09.500 --> 00:09:10.540
Itulah cara kerja pencana efektor.

00:09:12.900 --> 00:09:13.820
Adi-adi berkata,

00:09:13.920 --> 00:09:15.100
belilah basis data vektor khusus.

00:09:15.200 --> 00:09:15.900
Mereka menambahkan

00:09:15.900 --> 00:09:16.620
kemampuan vektor

00:09:16.620 --> 00:09:18.160
ke alat yang sudah Anda gunakan.

00:09:18.800 --> 00:09:19.440
Azure Eye Search,

00:09:19.520 --> 00:09:19.920
Cosmos DB,

00:09:20.000 --> 00:09:20.460
Scale Server,

00:09:20.600 --> 00:09:21.340
semuanya kini berbicara

00:09:21.340 --> 00:09:22.120
tentang vektor.

00:09:22.760 --> 00:09:23.240
Anda tidak perlu

00:09:23.240 --> 00:09:24.000
mempelajari sistem baru.

00:09:24.340 --> 00:09:24.920
Anda hanya perlu

00:09:24.920 --> 00:09:25.760
memahami konsepnya

00:09:25.760 --> 00:09:26.700
dan Microsoft akan

00:09:26.700 --> 00:09:27.780
menangani pekerjaan beratnya.

00:09:28.560 --> 00:09:29.440
Kasus penggunaan AI

00:09:29.440 --> 00:09:30.080
di dunia nyata.

00:09:30.760 --> 00:09:31.360
Jadi di mana Anda

00:09:31.360 --> 00:09:31.820
benar-benar melihat

00:09:31.820 --> 00:09:32.600
basis data vektor

00:09:32.600 --> 00:09:33.360
bekerja saat ini?

00:09:34.060 --> 00:09:34.780
Beginilah cara kerjanya

00:09:34.780 --> 00:09:35.140
di dunia.

00:09:35.660 --> 00:09:36.420
Adalah yang terbesar.

00:09:36.920 --> 00:09:37.560
Itulah singkatan

00:09:37.560 --> 00:09:38.800
dari Retrieval Augmented Generation

00:09:38.800 --> 00:09:39.520
dan begitulah cara

00:09:39.520 --> 00:09:40.160
sebagian besar AI

00:09:40.160 --> 00:09:41.060
perusahaan berjalan saat ini.

00:09:41.740 --> 00:09:42.480
Saat Anda mengajukan

00:09:42.480 --> 00:09:43.400
pertanyaan kepada chatbot,

00:09:43.500 --> 00:09:44.020
ia tidak menebak

00:09:44.020 --> 00:09:44.720
dari data pelatihan.

00:09:45.020 --> 00:09:45.500
Sebaliknya,

00:09:45.660 --> 00:09:46.380
ia mencari dokumen

00:09:46.380 --> 00:09:46.820
yang relevan

00:09:46.820 --> 00:09:47.820
di basis data vektor,

00:09:48.000 --> 00:09:49.140
mengambil kecocokan terdekat,

00:09:49.520 --> 00:09:50.160
dan menyerahkannya

00:09:50.160 --> 00:09:50.780
ke model bahasa

00:09:50.780 --> 00:09:51.480
sebagai konteks.

00:09:52.060 --> 00:09:52.800
Model tersebut kemudian

00:09:52.800 --> 00:09:53.420
membangun jawaban

00:09:53.420 --> 00:09:54.600
dari dokumen aktual tersebut.

00:09:55.040 --> 00:09:55.360
Artinya,

00:09:55.500 --> 00:09:56.160
jawaban yang akurat

00:09:56.160 --> 00:09:57.180
tentang kebijakan produk

00:09:57.180 --> 00:09:58.080
atau data perusahaan analis.

00:09:58.580 --> 00:09:59.640
Tanpa basis data vektor,

00:09:59.760 --> 00:10:00.500
AI akan menebak

00:10:00.500 --> 00:10:01.800
dari pengetahuan umum internet.

00:10:02.360 --> 00:10:03.280
Dengan basis data vektor,

00:10:03.360 --> 00:10:03.820
AI akan menarik

00:10:08.800 --> 00:10:09.400
dengan cara yang sama.

00:10:10.000 --> 00:10:10.960
Mereka mengubah pengguna

00:10:10.960 --> 00:10:11.620
menjadi vektor

00:10:11.620 --> 00:10:12.580
berdasarkan perilaku

00:10:12.580 --> 00:10:13.340
apa yang Anda tonton,

00:10:13.500 --> 00:10:14.240
beli, atau klik.

00:10:15.020 --> 00:10:15.960
Dan mereka mengubah item

00:10:15.960 --> 00:10:16.500
menjadi vektor

00:10:16.500 --> 00:10:17.360
berdasarkan deskripsi

00:10:17.360 --> 00:10:18.020
ulasan dan fitur.

00:10:18.580 --> 00:10:19.080
Kemudian mereka hanya

00:10:19.080 --> 00:10:19.980
menemukan tetangga terdekat.

00:10:20.320 --> 00:10:20.960
Vektor Anda dekat

00:10:20.960 --> 00:10:21.520
dengan vektor film

00:10:21.520 --> 00:10:22.620
mereka merekomendasikan film itu.

00:10:23.200 --> 00:10:24.460
Itu adalah pencarian kesamaan

00:10:24.460 --> 00:10:25.460
dalam skala besar

00:10:25.460 --> 00:10:27.140
berjalan ratusan kali per detik

00:10:27.140 --> 00:10:28.120
untuk setiap pengguna.

00:10:28.820 --> 00:10:29.380
Pencarian semantik

00:10:29.380 --> 00:10:30.500
adalah contoh pengguna besar ketik.

00:10:31.000 --> 00:10:31.540
Inilah pencarian

00:10:31.540 --> 00:10:32.120
berdasarkan mana,

00:10:32.240 --> 00:10:32.940
bukan berdasarkan ketik.

00:10:33.700 --> 00:10:34.600
Akhir dukungan mengetik,

00:10:35.020 --> 00:10:35.860
pelanggan tidak dapat masuk

00:10:35.860 --> 00:10:36.480
setelah pengaturan

00:10:36.480 --> 00:10:37.180
ulang kata sandi.

00:10:37.540 --> 00:10:38.420
Dan menemukan artikel

00:10:38.420 --> 00:10:38.900
berjudul

00:10:38.900 --> 00:10:39.600
memecahkan masalah

00:10:39.600 --> 00:10:40.560
kegagalan autentikasi

00:10:40.560 --> 00:10:41.500
setelah pembaruan credit check.

00:10:41.980 --> 00:10:42.800
Kata-katanya tidak cocok

00:10:42.800 --> 00:10:43.640
tetapi artinya cocok.

00:10:44.080 --> 00:10:44.540
Selain dimungkinkan

00:10:44.540 --> 00:10:45.140
pencarian faktor.

00:10:45.600 --> 00:10:46.460
Untuk tim yang menangani

00:10:46.460 --> 00:10:47.280
ratusan tiket sehari

00:10:47.280 --> 00:10:48.000
ini memangkas waktu

00:10:48.000 --> 00:10:49.080
penyelesaian secara dramatis.

00:10:49.840 --> 00:10:50.900
Lalu ada deteksi anomali.

00:10:51.340 --> 00:10:52.320
Kurang kentara tetapi ampuh.

00:10:53.080 --> 00:10:53.760
Anda menanamkan

00:10:53.760 --> 00:10:54.400
perilaku normal,

00:10:54.620 --> 00:10:55.420
pola transaksi umum,

00:10:55.560 --> 00:10:56.360
metrik sistem biasa,

00:10:56.600 --> 00:10:58.080
tindakan pengguna standar,

00:10:58.860 --> 00:10:59.760
simpan vektor tersebut,

00:11:00.180 --> 00:11:01.000
lalu tandai apapun

00:11:01.000 --> 00:11:01.840
yang jauh dari kluster.

00:11:02.460 --> 00:11:03.100
Transaksi yang tidak

00:11:03.100 --> 00:11:04.240
tampak normal itu penipuan.

00:11:04.760 --> 00:11:05.700
Metrik server yang jauh

00:11:05.700 --> 00:11:06.480
di luar rentang biasa

00:11:06.480 --> 00:11:07.200
itu adalah insiden

00:11:07.200 --> 00:11:07.760
yang sedang terjadi.

00:11:08.000 --> 00:11:08.980
Basis data faktor membuat ini

00:11:08.980 --> 00:11:09.660
cukup cepat untuk

00:11:09.660 --> 00:11:10.640
dijalankan secara real-time.

00:11:11.140 --> 00:11:11.920
Di dunia Microsoft,

00:11:12.280 --> 00:11:12.920
ini muncul di mana-mana.

00:11:13.500 --> 00:11:14.220
Power Apps menggunakan

00:11:14.220 --> 00:11:14.880
pencarian faktor

00:11:14.880 --> 00:11:15.600
untuk saran AI

00:11:15.600 --> 00:11:16.680
saat Anda membuat formulir.

00:11:17.260 --> 00:11:18.740
Dynamics 365 menggunakannya

00:11:18.740 --> 00:11:19.660
untuk pencarian cerdas

00:11:19.660 --> 00:11:20.660
di seluruh catatan pelanggan.

00:11:21.240 --> 00:11:21.940
Transkrip berapa tim

00:11:21.940 --> 00:11:22.900
diubah menjadi faktor

00:11:22.900 --> 00:11:24.120
sehingga Anda dapat mencari

00:11:24.120 --> 00:11:24.940
apa yang kita putuskan

00:11:24.940 --> 00:11:25.520
tentang anggaran

00:11:25.520 --> 00:11:26.680
dan menemukan momen

00:11:26.680 --> 00:11:27.480
yang tepat dalam rekaman.

00:11:27.480 --> 00:11:30.040
Copilot untuk Microsoft 365

00:11:30.040 --> 00:11:30.760
pada dasarnya

00:11:30.760 --> 00:11:32.160
adalah sistem RAG Raksasa

00:11:32.160 --> 00:11:33.080
yang berjalan di atas

00:11:33.080 --> 00:11:34.560
data pribadi dan perusahaan Anda.

00:11:34.760 --> 00:11:35.360
Semuanya didukung

00:11:35.360 --> 00:11:36.300
oleh pencarian faktor.

00:11:37.380 --> 00:11:38.540
Menjaga semuanya tetap sinkron.

00:11:38.680 --> 00:11:39.280
Vaktor ETL.

00:11:39.860 --> 00:11:40.940
Nah inilah tantangan praktisnya.

00:11:41.520 --> 00:11:42.140
Data berubah,

00:11:42.340 --> 00:11:43.000
dokumen diperbarui,

00:11:43.120 --> 00:11:44.060
produk baru ditambahkan.

00:11:44.600 --> 00:11:45.240
Kebijakan lama,

00:11:45.400 --> 00:11:45.900
diarsipkan.

00:11:46.320 --> 00:11:47.560
Setiap kali data sumber Anda berubah,

00:11:47.660 --> 00:11:48.720
faktor Anda juga perlu berubah.

00:11:49.320 --> 00:11:50.440
Disinilah ETL Vaktor Perubah.

00:11:50.780 --> 00:11:51.680
ETL adalah singkatan

00:11:51.680 --> 00:11:52.760
dari Extract Transform Load.

00:11:52.760 --> 00:11:53.900
Untuk database Vaktor,

00:11:54.180 --> 00:11:55.000
prosesnya seperti ini.

00:11:55.660 --> 00:11:56.140
Pertama,

00:11:56.420 --> 00:11:57.320
Anda mengekstrak dokumen

00:11:57.320 --> 00:11:58.220
baru atau yang diubah

00:11:58.220 --> 00:11:58.880
dari sumber Anda

00:11:58.880 --> 00:11:59.700
mungkin wadah penyimpanan

00:11:59.700 --> 00:12:00.660
plop, pustaka SharePoint

00:12:00.660 --> 00:12:01.580
atau database SQL.

00:12:02.280 --> 00:12:03.380
Kemudian, Anda mengubahnya

00:12:03.380 --> 00:12:04.080
dengan membagi teks

00:12:04.080 --> 00:12:04.940
menjadi beberapa bagian

00:12:04.940 --> 00:12:05.600
yang dapat dikelola

00:12:05.600 --> 00:12:06.660
dan menjalankan setiap bagian

00:12:06.660 --> 00:12:07.660
melalui model penyempatan Anda.

00:12:08.120 --> 00:12:09.320
Terakhir, Anda memuat faktor

00:12:09.320 --> 00:12:10.080
yang dihasilkan ke dalam

00:12:10.080 --> 00:12:10.940
penyimpanan faktor Anda

00:12:10.940 --> 00:12:11.920
bersama dengan metadata

00:12:11.920 --> 00:12:13.200
seperti URL sumber asli,

00:12:13.340 --> 00:12:13.860
setempat waktu,

00:12:14.060 --> 00:12:15.460
dan versi model yang digunakan.

00:12:16.200 --> 00:12:16.920
Praktik terbaik di sini

00:12:16.920 --> 00:12:17.840
proses secara bertahap.

00:12:18.320 --> 00:12:19.140
Jangan sematkan kembali

00:12:19.140 --> 00:12:19.940
seluruh korpus Anda

00:12:19.940 --> 00:12:20.940
setiap kali ada perubahan.

00:12:21.460 --> 00:12:22.300
Hanya proses dokumen

00:12:22.300 --> 00:12:23.200
yang benar-benar berubah.

00:12:23.720 --> 00:12:24.600
Lacak versi model mana

00:12:24.600 --> 00:12:25.900
yang menghasilkan setiap penyempatan,

00:12:26.040 --> 00:12:26.780
tingkatkan model Anda,

00:12:26.980 --> 00:12:27.600
dan faktor lama

00:12:27.600 --> 00:12:28.500
menjadi tidak konsisten

00:12:28.500 --> 00:12:28.980
dengan yang baru.

00:12:29.540 --> 00:12:30.400
Dan perhatikan biaya Anda.

00:12:30.800 --> 00:12:31.460
API penyempatan

00:12:31.460 --> 00:12:32.860
menggunakan biaya berdasarkan token

00:12:32.860 --> 00:12:33.980
jadi memproses jutaan dokumen

00:12:33.980 --> 00:12:34.720
yang bertambah dengan cepat.

00:12:35.200 --> 00:12:35.520
Di Azure,

00:12:35.620 --> 00:12:36.240
alur kerja yang umum

00:12:36.240 --> 00:12:36.880
sangatlah mudah.

00:12:37.340 --> 00:12:38.080
Letakkan dokumen Anda

00:12:38.080 --> 00:12:38.680
di penyimpanan blog.

00:12:39.300 --> 00:12:39.780
Kemudian,

00:12:39.940 --> 00:12:40.840
siapkan pengindeks pencarian

00:12:40.840 --> 00:12:41.340
Azure AI

00:12:41.340 --> 00:12:42.220
dengan serangkaian

00:12:42.220 --> 00:12:43.200
keterampilan terintegrasi

00:12:43.200 --> 00:12:43.660
yang menangani

00:12:43.660 --> 00:12:44.640
pengelompokan dan penyempatan

00:12:44.640 --> 00:12:45.260
secara otomatis.

00:12:45.800 --> 00:12:46.620
Microsoft menyediakan

00:12:46.620 --> 00:12:47.680
keterampilan pemisahan teks

00:12:47.680 --> 00:12:48.940
untuk pengelompokan

00:12:48.940 --> 00:12:49.760
dan keterampilan model

00:12:49.760 --> 00:12:50.720
penyempatan Azure Open AI

00:12:50.720 --> 00:12:51.520
untuk pembuatan vektor.

00:12:52.040 --> 00:12:52.720
Pengindeks berjalan

00:12:52.720 --> 00:12:53.380
sesuai jadwal,

00:12:53.560 --> 00:12:54.240
mengambil file baru,

00:12:54.440 --> 00:12:54.900
memprosesnya,

00:12:54.960 --> 00:12:55.580
dan memasukkan vektor

00:12:55.580 --> 00:12:56.240
ke dalam indeks.

00:12:56.360 --> 00:12:56.700
Indeks.

00:12:57.160 --> 00:12:58.360
Tidak diperlukan kode alur khusus.

00:12:58.960 --> 00:12:59.680
Berikut kesalahan umum.

00:12:59.940 --> 00:13:00.540
Mengabaikan metadata.

00:13:01.360 --> 00:13:01.800
Setiap vektor

00:13:01.800 --> 00:13:03.020
merupakan referensi sumbernya,

00:13:03.280 --> 00:13:04.480
nama dan versi model penyempatan,

00:13:04.560 --> 00:13:05.680
serta stempel waktu pembuatan.

00:13:06.160 --> 00:13:06.580
Lampai itu,

00:13:06.740 --> 00:13:07.980
Anda tidak dapat melacak asal hasil,

00:13:08.080 --> 00:13:08.900
Anda tidak dapat menyematkan

00:13:08.900 --> 00:13:09.760
ulang saat model berubah,

00:13:09.840 --> 00:13:10.620
dan Anda akan kesulitan

00:13:16.620 --> 00:13:18.600
Jadi siap untuk mencobanya sendiri?

00:13:19.540 --> 00:13:20.160
Mulai dengan sederhana.

00:13:20.620 --> 00:13:21.320
Buka portal Azure

00:13:21.320 --> 00:13:22.100
dan buat sumber daya

00:13:22.100 --> 00:13:22.980
pencarian Azure AI.

00:13:23.480 --> 00:13:24.640
Kemudian aktifkan pencarian vektor

00:13:24.640 --> 00:13:25.380
pada indeks yang ada.

00:13:25.840 --> 00:13:26.800
Unggah beberapa dokumen,

00:13:27.100 --> 00:13:28.000
pilih model penyematan,

00:13:28.080 --> 00:13:28.980
dan jalankan query kesamaan.

00:13:29.500 --> 00:13:30.320
Akan melihatnya berfungsi

00:13:30.320 --> 00:13:30.760
dalam waktu go.

00:13:31.060 --> 00:13:31.880
Bagi para pengembang,

00:13:32.020 --> 00:13:32.760
ambil patent SDK,

00:13:33.040 --> 00:13:34.060
sematkan beberapa dokumen

00:13:34.060 --> 00:13:35.180
menggunakan Azure Open AI,

00:13:35.320 --> 00:13:36.660
simpan dalam pencarian vektor

00:13:36.660 --> 00:13:37.340
kosmos DB,

00:13:37.600 --> 00:13:38.600
dan tulis query

00:13:38.600 --> 00:13:39.960
yang menemukan kecocokan terdekat.

00:13:40.720 --> 00:13:41.620
Microsoft menyediakan

00:13:41.620 --> 00:13:42.740
contoh kode dan dokumentasi

00:13:42.740 --> 00:13:43.580
yang jelas untuk mandu Anda.

00:13:43.920 --> 00:13:44.720
Anda tidak perlu menjadi

00:13:44.720 --> 00:13:45.160
ilmuwan data

00:13:46.620 --> 00:13:47.900
alat-alat Microsoft

00:13:47.900 --> 00:13:49.300
menangani pembuatan penyematan,

00:13:49.520 --> 00:13:50.100
pengindeksan,

00:13:50.240 --> 00:13:50.920
dan logika query.

00:13:51.520 --> 00:13:52.000
Tugas Anda

00:13:52.000 --> 00:13:53.000
hanyalah memahami konsep

00:13:53.000 --> 00:13:54.020
dan mengarahkan alat tersebut

00:13:54.020 --> 00:13:54.900
ke data Anda sendiri.

00:13:55.660 --> 00:13:56.060
Inilah tantangan.

00:13:56.500 --> 00:13:57.440
Pikirkan masalah pencarian

00:13:57.440 --> 00:13:58.100
yang Anda bisa saat ini.

00:13:58.680 --> 00:13:59.940
Mungkin menemukan dokumen internal

00:13:59.940 --> 00:14:01.200
atau mencari katalog produk

00:14:01.200 --> 00:14:02.540
atau menjawab pertanyaan pelanggan

00:14:02.540 --> 00:14:03.360
dari basis pengetahuan.

00:14:03.920 --> 00:14:04.580
Apakah pencarian vektor

00:14:04.580 --> 00:14:05.280
dapat bekerja lebih baik

00:14:05.280 --> 00:14:06.220
dari penyelucokan, kata kuncik.

00:14:07.520 --> 00:14:08.600
Pilih kumpulan data kecil,

00:14:08.780 --> 00:14:09.620
bahkan 100 dokumen,

00:14:09.900 --> 00:14:10.400
dan cobalah.

00:14:11.220 --> 00:14:12.280
Anda akan langsung merasakan perbedaannya.

00:14:13.460 --> 00:14:14.680
Jadi sekarang Anda memahami

00:14:14.680 --> 00:14:15.160
apa sebenarnya

00:14:15.160 --> 00:14:15.980
basis data vektor itu.

00:14:16.440 --> 00:14:17.160
Basis data vektor

00:14:17.160 --> 00:14:18.500
bukanlah teknologi AI yang misterius

00:14:18.500 --> 00:14:19.260
melainkan hanya cara

00:14:19.260 --> 00:14:20.200
untuk menyimpan dan mencari

00:14:20.200 --> 00:14:20.880
makna data Anda,

00:14:21.040 --> 00:14:21.800
bukan kata-kata yang tepat.

00:14:22.720 --> 00:14:23.400
Basis data vektor

00:14:23.400 --> 00:14:24.540
mendukung fitur pencarian cerdas

00:14:24.540 --> 00:14:25.520
dan AI di dalam Microsoft

00:14:25.520 --> 00:14:26.240
tiga dan co-pilot.

00:14:27.200 --> 00:14:28.560
Setiap kali Anda mengajukan pertanyaan

00:14:28.560 --> 00:14:29.860
dan mendapatkan jawaban yang relevan

00:14:29.860 --> 00:14:31.180
di suatu tempat basis data vektor

00:14:31.180 --> 00:14:31.960
menemukan kecocokan

00:14:31.960 --> 00:14:32.900
terdekat dengan query Anda.

00:14:33.540 --> 00:14:34.480
Fakta terstruktur Anda,

00:14:34.700 --> 00:14:35.260
nama pelanggan,

00:14:35.260 --> 00:14:36.620
jumlah pesanan, jumlah inventaris,

00:14:36.860 --> 00:14:37.400
semuanya masih ada

00:14:37.400 --> 00:14:38.400
di basis data tradisional.

00:14:38.940 --> 00:14:39.740
Basis data vektor

00:14:39.740 --> 00:14:41.000
menambahkan lapisan pemahaman.

00:14:41.000 --> 00:14:42.220
Basis data vektor

00:14:42.220 --> 00:14:43.120
memungkinkan aplikasi Anda

00:14:43.120 --> 00:14:43.720
mencari berdasarkan

00:14:43.720 --> 00:14:44.580
makna, maksud, dan code.

00:14:44.920 --> 00:14:45.620
Itulah gambaran besarnya.

00:14:45.980 --> 00:14:46.980
Berlangganan untuk mendapatkan

00:14:46.980 --> 00:14:48.140
lebih banyak uraian teknologi Microsoft

00:14:48.140 --> 00:14:49.280
dalam bahasa Inggris yang lebih sempurna.

00:14:49.340 --> 00:14:49.800
Di lain waktu,

00:14:49.920 --> 00:14:50.380
kita akan melihat

00:14:50.380 --> 00:14:51.820
cara kerja alur RAG sebenarnya

00:14:51.820 --> 00:14:52.920
dan cara Anda dapat membuatnya

00:14:52.920 --> 00:14:53.640
dalam waktu satu-sat.

00:14:53.760 --> 00:14:54.480
Terima kasih telah mendengar.
