🎹🎻🎸 Et si nous cherchions des morceaux de musique 🎼🎶 ?
A presentation at Meetup ElasticFR #88 in in Paris, France by David Pilato
Et si nous cherchions des morceaux de musique ? David Pilato | @dadoonet
Elasticsearch You Know, for Vector Search
Exemple : vecteur 1 dimension Personnage Vecteur [ 1 ] ] Réaliste
[ Les embeddings représentent vos données Dessin 1
pour représenter plusieurs aspects Humain Personnage Vecteur [ 1, 1 Réaliste Dessin ] ] Machine
[ Plusieurs dimensions 1, 0
les données similaires sont regroupées Humain Personnage Vecteur [ 1.0, 1.0 Réaliste Dessin 1.0, 0.0 [ 1.0, 0.8 ] ] ]
Machine
[ Dans l’espace des embeddings
La recherche vectorielle classe les résultats par similarité (~pertinence) Humain Rank Requête 1 Réaliste Dessin 2 3 4 5 Machine Résultat
Similarité : cosinus (cosine) Humain q cos(θ) = d1 d2 Réaliste θ q⃗ × d ⃗ | q⃗ | × | d |⃗ _score = 1 + cos(θ) 2
Similarité : cosinus (cosine) rappel
Similarité : produit scalaire (dot_product) q⃗ × d ⃗ = | q⃗ | × cos(θ) × | d |⃗ q d θ | q⃗ | × co s (θ ) 1 + dot_ product(q, d) scorefloat = 2 0.5 + dot product(q, d) _scorebyte = 32768 × dims
Similarité : distance euclidienne (l2_norm) y 2 n i (x ∑ 1 i= − y i) q l2_normq,d = y1 d x1 y2 x2 n ∑ i=1 (xi − yi) 1 _score = 1 + (l2_normq,d )2 x 2
Indexer avec des vecteurs
Ingestion des données avec embeddings POST /_doc { “_id”:”product-1234”, “product_name”:”Summer Dress”, “description”:”Our best-selling…”, “Price”: 118, “color”:”blue”, “fabric”:”cotton”, “fabric”:”cotton” } “desc_embedding”:[0.452,0.3242,…], “desc_embedding”:[0.452,0.3242,…] } “img_embedding”:[0.012,0.0,…] } Source data POST /_doc
Chercher avec des vecteurs
Requête Vectorielle GET product-catalog/_search { “knn”: { “field”: “desc_embbeding”, “k”: 5, “num_candidates”: 50, “query_vector”: [0.123, 0.244,…], “filter”: { “term”: { “department”: “women” } } } }, “size”: 10
https://github.com/dadoonet/music-search/
Et si nous cherchions des morceaux de musique ? David Pilato | @dadoonet
Pendant cette session, nous allons utiliser les principes de la recherche vectorielle pour trouver des morceaux de musique ressemblant (peut-être) à d’autres. Pour cela, nous ferons un rappel des principes de la génération d’embeddings pour représenter n’importe quel type de données, qu’elles soient textuelles ou binaires.
Video
Buzz and feedback
Here’s what was said about this presentation on social media.
