ویکٹر ڈیٹا بیس ڈیٹا کو نمبروں کی فہرست کے طور پر ذخیرہ کرتے ہیں جسے ایمبیڈنگ کہتے ہیں، جس سے آپ صحیح مطلوبہ الفاظ سے ملنے کے بجائے معنی کی بنیاد پر تلاش کرسکتے ہیں۔ یہ بہت سے تجویز کنندہ سسٹمز، RAG ایپس، اور AI ایجنٹس کا مرکز ہے۔
میں نے ابھی freeCodeCamp.org یوٹیوب چینل پر ایک جامع کورس پوسٹ کیا ہے جو آپ کو سکھاتا ہے کہ ویکٹر ڈیٹابیس کیسے کام کرتے ہیں، ریاضی سے شروع ہو کر کام کرنے والے سیمنٹک سرچ پروجیکٹ کے ساتھ ختم ہوتے ہیں۔ یہ کورس codeEdx کے ذریعے پڑھایا جاتا ہے، جہاں انسٹرکٹر 15 سال سے سافٹ ویئر انجینئر اور گزشتہ 4 سالوں سے ایک سینئر AI انجینئر ہے۔ پیشگی علم کی ضرورت نہیں۔
اس کورس میں آپ سیکھیں گے:
- ویکٹر اور مماثلت کی ریاضی
جانیں کہ ویکٹر کیا ہیں اور کوسائن کی مماثلت اور یوکلیڈین فاصلے کی پیمائش کیسے کرتے ہیں کہ ڈیٹا کے دو ٹکڑے کتنے قریب ہیں۔ - ٹوکن اور ٹوکنائزیشن
جانیں کہ AI ماڈل خام متن کو کیوں نہیں پڑھ سکتے ہیں اور ٹوکنائزرز "ناقابل تقسیم” جیسے الفاظ کو دو یا زیادہ ٹوکنز میں کیسے تقسیم کرتے ہیں۔ - ایمبیڈنگز اور ایمبیڈنگ ماڈلز
سمجھیں کہ متن کس طرح ایک ویکٹر بن جاتا ہے جو معنی کو پکڑتا ہے، بشمول بادشاہ مائنس مرد پلس عورت = ملکہ کی مثال۔ - جیمنی کا استعمال کرتے ہوئے ایمبیڈنگس تیار کریں۔
گوگل کے جیمنی ایمبیڈنگ ماڈل کا استعمال کرتے ہوئے لائیو ڈیمو کے ساتھ پیروی کریں، پھر پرنسپل اجزاء کے تجزیہ (PCA) کے ساتھ 3D میں نتائج کا تصور کریں۔ - ویکٹر ڈیٹا بیس کے اندر
سٹوریج، انڈیکسنگ، اور استفسار کرنے والی پرتوں کو دریافت کریں اور دیکھیں کہ کس طرح IVF اور HNSW انڈیکس سست رفتار تلاش کو روکتے ہیں۔ - ChromaDB کے ساتھ سیمنٹک تلاش
کروما کلائنٹس اور کلیکشنز بنائیں، ایمبیڈنگز کو اسٹور کریں، اور ایسے سوالات چلائیں جو ان کے معنی کی بنیاد پر نتائج لوٹائیں۔
freeCodeCamp.org یوٹیوب چینل پر مکمل کورس دیکھیں (دیکھنے کے 1.5 گھنٹے)۔