dexblog.ro
Acces rapid: Învață AI Învață Programare Specificații Dispozitive Comparații
VEC Toate conceptele Vector DB

Concepte Vector DB & Metrici de Distanță (Cosine, L2, Dot) în Baze de Date Vectoriale & Căutare Semantică

Fundamente & Algoritmi de Indexare Nivel: începător

Cum transformă un model de embedding textul în vectori numerici multidimensionali și care sunt diferențele matematice între Cosine Similarity, Distanța Euclidiană (L2) și Dot Product.

Sintaxă & interogare 
# Metrici standard în crearea unei colecții vectoriale:
• Cosine Similarity (Cos): 1 - cos(θ) -> Măsoară unghiul direcțional (ideal pentru text)
• Euclidean Distance (L2): ||u - v|| -> Măsoară distanța fizică în spațiu
• Dot Product (Inner Product): u · v -> Măsoară magnitudinea și orientarea comună

Descriere & Utilizare

O bază de date vectorială stochează informația sub formă de liste lungi de numere în virgulă mobilă (numite vectori de embedding, de obicei cu 384, 768, 1536 sau 3072 dimensiuni). Fiecare număr reprezintă o caracteristică semantică abstractă a textului, imaginii sau sunetului.

Pentru a găsi cele mai apropiate documente la o întrebare, baza de date calculează distanța matematică între vectorul întrebării și toți vectorii stocați. Cele trei metrici fundamentale sunt: Cosine Similarity (care compară doar direcția vectorilor, ignorând lungimea textului — este standardul în procesarea limbajului natural), Distanța Euclidiană L2 (distanța în linie dreaptă între puncte) și Dot Product (recomandat dacă toți vectorii sunt normalizați la lungimea 1, fiind cel mai rapid pe procesor/GPU).

Alegerea greșită a metricii la crearea colecției duce la rezultate complet eronate la căutarea semantică, deoarece spațiul geometric al fiecărui model este calibrat pe o anumită funcție de cost.

Cum să o reții ușor

💡 Imaginează-ți două indicatoare rutiere: Cosine verifică dacă arată în aceeași direcție indiferent de lungimea stâlpului, L2 măsoară distanța fizică cu ruleta între vârfurile lor, iar Dot Product calculează cât de mult își unesc forțele dacă trag în aceeași direcție.

Opțiuni și parametri tehnici

  • Dimensiunea vectorului (dimension / size): trebuie să fie identică cu cea generată de modelul de embedding (ex: 1536 pentru text-embedding-3-small, 1024 pentru bge-m3).
  • Metrica (distance / metric): valorile uzuale sunt Cosine, Euclid sau Dot.
  • Normalizare (L2 norm): dacă împarți fiecare vector la norma sa (lungime = 1), distanța Cosine devine echivalentă cu Dot Product, obținând viteză dublă de calcul.

Exemple practice și cazuri de utilizare

  • Inițializare colecție cu Cosine în Python: Distance.COSINE în Qdrant sau metric="cosine" în Pinecone.
  • Vectorizare text în română: un paragraf de 50 de cuvinte devine un array [0.0142, -0.0531, 0.0892, ..., -0.0112].
  • Calcul rapid în NumPy: cosine_sim = np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2)).

Sfaturi de configurare & capcane

Dacă modelul tău de embeddings specifică că generează vectori normalizați (precum modelele OpenAI sau Cohere), folosește metrica Dot Product în loc de Cosine pentru a reduce consumul de CPU la interogări.

Comenzi și ghiduri înrudite