سرویس جستجوی باز آمازون یکی از حامیان دیرینه جستجوی واژگانی و معنایی بوده است که با استفاده از آن تسهیل شده است. پلاگین k-nearest همسایگان (k-NN).. با استفاده از سرویس OpenSearch به عنوان یک پایگاه داده برداری، می توانید مزایای جستجوی واژگانی و برداری را به طور یکپارچه ترکیب کنید. معرفی از جستجوی عصبی ویژگی در OpenSearch Service 2.9 ادغام با مدل های هوش مصنوعی (AI) و یادگیری ماشین (ML) را ساده تر می کند و اجرای جستجوی معنایی را تسهیل می کند.
جستجوی واژگانی با استفاده از TF/IDF یا BM25 برای دههها کار اصلی سیستمهای جستجو بوده است. این الگوریتمهای جستجوی واژگانی سنتی، پرسشهای کاربر را با کلمات یا عبارات دقیق در اسناد شما مطابقت میدهند. جستجوی واژگانی برای تطابق دقیق مناسبتر است، تأخیر پایینی را ارائه میدهد و تفسیرپذیری خوبی از نتایج ارائه میدهد و به خوبی در دامنهها تعمیم مییابد. با این حال، این رویکرد زمینه یا معنای کلمات را در نظر نمی گیرد، که می تواند منجر به نتایج نامربوط شود.
در چند سال گذشته، روشهای جستجوی معنایی مبتنی بر جاسازیهای برداری برای افزایش جستجو به طور فزایندهای محبوب شدهاند. جستجوی معنایی، جستجوی آگاهانهتر از متن را امکانپذیر میکند و سؤالات زبان طبیعی پرسشهای کاربر را درک میکند. با این حال، جستجوی معنایی با جاسازیهای برداری به تنظیم دقیق مدل ML برای دامنه مرتبط (مانند مراقبتهای بهداشتی یا خردهفروشی) و منابع حافظه بیشتر در مقایسه با جستجوی واژگانی اولیه نیاز دارد.
هم جستجوی لغوی و هم جستجوی معنایی نقاط قوت و ضعف خاص خود را دارند. ترکیب جستجوی واژگانی و برداری کیفیت نتایج جستجو را با استفاده از بهترین ویژگی های آنها در یک مدل ترکیبی بهبود می بخشد. OpenSearch Service 2.11 اکنون به صورت خارج از جعبه پشتیبانی می کند پرس و جو ترکیبی قابلیتهایی که پیادهسازی یک مدل جستجوی ترکیبی با ترکیب جستجوی لغوی و جستجوی معنایی را برای شما آسان میکند.
این پست داخلی جستجوی ترکیبی و نحوه ساخت یک راه حل جستجوی ترکیبی با استفاده از سرویس OpenSearch را توضیح می دهد. ما با پرس و جوهای نمونه آزمایش می کنیم تا جستجوی واژگانی، معنایی و ترکیبی را بررسی و مقایسه کنیم. تمام کدهای استفاده شده در این پست در دسترس عموم است مخزن GitHub.
جستجوی ترکیبی با سرویس OpenSearch
به طور کلی، جستجوی ترکیبی برای ترکیب جستجوی لغوی و معنایی شامل مراحل زیر است:
- یک جستجوی معنایی و واژگانی را با استفاده از عبارت جستجوی مرکب جستجو کنید.
- هر نوع پرس و جو امتیازهایی را در مقیاس های مختلف ارائه می دهد. به عنوان مثال، جستجوی واژگانی Lucene نمره ای بین 1 و بی نهایت را برمی گرداند. از سوی دیگر، یک پرس و جو معنایی با استفاده از موتور Faiss امتیازات بین 0 و 1 را برمی گرداند. بنابراین، شما باید امتیازات حاصل از هر نوع پرس و جو را نرمال کنید تا قبل از ترکیب امتیازها، آنها را در یک مقیاس قرار دهید. در یک موتور جستجوی توزیع شده، این عادی سازی باید در سطح جهانی اتفاق بیفتد تا سطح خرده یا گره.
- بعد از اینکه نمرات همه در یک مقیاس قرار گرفتند، برای هر سند ترکیب می شوند.
- اسناد را بر اساس امتیاز ترکیبی جدید مرتب کنید و اسناد را به عنوان پاسخ به درخواست ارائه دهید.
قبل از OpenSearch Service 2.11، متخصصان جستجو باید از آن استفاده کنند انواع پرس و جو مرکب برای ترکیب پرس و جوهای جستجوی لغوی و معنایی. با این حال، این رویکرد چالش عادی سازی جهانی امتیازات را همانطور که در مرحله 2 ذکر شد، بررسی نمی کند.
OpenSearch Service 2.11 پشتیبانی از پرس و جو ترکیبی با معرفی نرمال سازی امتیاز پردازنده در خطوط لوله جستجو. خطوط لوله جستجو، سختیهای عادی سازی ساختمان نتایج و ترکیب نتایج را در خارج از دامنه سرویس OpenSearch شما از بین میبرد. خطوط لوله جستجو در دامنه سرویس OpenSearch اجرا می شود و از سه نوع پردازنده پشتیبانی می کند: پردازشگر درخواست جستجو, پردازشگر پاسخ جستجوو پردازشگر نتایج فاز جستجو.
در یک جستجوی ترکیبی، پردازشگر نتایج فاز جستجو بین مرحله پرس و جو و فاز واکشی در سطح گره هماهنگ کننده (جهانی) اجرا می شود. نمودار زیر این گردش کار را نشان می دهد.
گردش کار جستجوی ترکیبی در OpenSearch Service شامل مراحل زیر است:
- مرحله پرس و جو - مرحله اول درخواست جستجو، مرحله پرس و جو است، که در آن هر قطعه در فهرست شما، پرس و جوی جستجو را به صورت محلی اجرا می کند و شناسه سند مطابق با درخواست جستجو با امتیازهای مربوط به هر سند را برمی گرداند.
- نرمال سازی امتیاز و ترکیب – پردازشگر نتایج مرحله جستجو بین مرحله پرس و جو و فاز واکشی اجرا می شود. از آن استفاده می کند پردازشگر عادی سازی برای عادی سازی نتایج امتیازدهی از پرسش های فرعی BM25 و KNN. پردازنده جستجو پشتیبانی می کند حداقل_حداکثر و L2-فاصله اقلیدسی روش های عادی سازی پردازنده تمام امتیازات را ترکیب می کند، فهرست نهایی شناسه های سند رتبه بندی شده را جمع آوری می کند و آنها را به مرحله واکشی می فرستد. پردازنده پشتیبانی می کند میانگین حسابی, میانگین هندسیو هارمونیک_میانگین برای ترکیب نمرات
- فاز واکشی – مرحله نهایی مرحله واکشی است که در آن گره هماهنگ کننده اسنادی را بازیابی می کند که با لیست رتبه بندی نهایی مطابقت دارند و نتیجه جستجو را برمی گرداند.
بررسی اجمالی راه حل
در این پست، شما یک برنامه وب ایجاد می کنید که در آن می توانید با استفاده از یک سیستم جستجوی ترکیبی که توسط OpenSearch Service طراحی شده است، از طریق مجموعه داده های تصویری نمونه در فضای خرده فروشی جستجو کنید. بیایید فرض کنیم که برنامه وب یک فروشگاه خردهفروشی است و شما به عنوان یک مصرفکننده باید برای جستجوی کفشهای زنانه سوالاتی را انجام دهید.
برای جستجوی ترکیبی، یک عبارت جستجوی واژگانی و معنایی را در مقابل عناوین متنی تصاویر در مجموعه داده ترکیب میکنید. معماری سطح بالای اپلیکیشن جستجوی سرتاسر در شکل زیر نشان داده شده است.
گردش کار شامل مراحل زیر است:
- شما از یک استفاده می کنید آمازون SageMaker دفتر یادداشت برای فهرست کردن شرح تصاویر و URL های تصویر از مجموعه داده های اشیاء آمازون برکلی ذخیره شده در سرویس ذخیره سازی ساده آمازون (Amazon S3) به سرویس OpenSearch با استفاده از خط لوله جذب OpenSearch. این مجموعه داده مجموعه ای از 147,702 فهرست محصول با فراداده چند زبانه و 398,212 تصویر کاتالوگ منحصر به فرد است. شما فقط از تصاویر و نام اقلام به زبان انگلیسی ایالات متحده استفاده می کنید. برای اهداف نمایشی، شما تقریباً از 1,600 محصول استفاده می کنید.
- سرویس OpenSearch مدل تعبیه میزبانی شده در SageMaker را فراخوانی می کند تا جاسازی های برداری را برای عنوان تصویر ایجاد کند. شما استفاده می کنید GPT-J-6B مدل تعبیه متغیر، که 4,096 بردار بعدی تولید می کند.
- اکنون می توانید پرس و جوی جستجوی خود را در برنامه وب میزبانی شده در an وارد کنید ابر محاسبه الاستیک آمازون (Amazon EC2) نمونه (c5.large). سرویس گیرنده برنامه پرس و جو ترکیبی را در سرویس جستجوی باز راه اندازی می کند.
- سرویس OpenSearch مدل جاسازی SageMaker را برای ایجاد جاسازی های برداری برای عبارت جستجو فراخوانی می کند.
- سرویس OpenSearch کوئری ترکیبی را اجرا میکند، نتایج جستجوی معنایی و جستجوی لغوی را برای اسناد ترکیب میکند و نتایج جستجو را به مشتری برنامه EC2 ارسال میکند.
بیایید مراحل 1، 2، 4 و 5 را با جزئیات بیشتری بررسی کنیم.
مرحله 1: داده ها را در OpenSearch وارد کنید
در مرحله 1، شما یک خط لوله ورودی در OpenSearch Service با استفاده از text_embedding پردازنده برای ایجاد جاسازی های برداری برای شرح تصاویر.
بعد از اینکه الف را تعریف کردید شاخص k-NN با خط لوله ورودی، یک عملیات فهرست انبوه را برای ذخیره داده های خود در شاخص k-NN اجرا می کنید. در این راه حل، شما فقط نشانیهای اینترنتی تصویر، زیرنویسهای متنی و جاسازیهای عنوان را فهرست میکنید که نوع فیلد برای جاسازیهای عنوان است. بردار k-NN.
مرحله 2 و مرحله 4: سرویس OpenSearch مدل تعبیه SageMaker را فراخوانی می کند
در این مراحل، OpenSearch Service از کانکتور SageMaker ML برای ایجاد جاسازی برای شرح تصاویر و پرس و جو استفاده می کند. کادر آبی در نمودار معماری قبلی به ادغام سرویس OpenSearch با SageMaker با استفاده از کانکتور ML ویژگی OpenSearch این ویژگی از نسخه 2.9 در سرویس OpenSearch موجود است. این به شما امکان می دهد تا با سایر سرویس های ML مانند SageMaker یکپارچه سازی کنید.
مرحله 5: سرویس OpenSearch عبارت جستجوی ترکیبی را اجرا می کند
سرویس OpenSearch از پردازشگر نتایج فاز جستجو برای انجام یک جستجوی ترکیبی برای امتیازدهی ترکیبی، OpenSearch Service از تنظیمات عادی سازی، ترکیبی، و پیکربندی وزن استفاده می کند که در پردازنده عادی سازی از خط لوله جستجو.
پیش نیازها
قبل از استقرار راه حل، مطمئن شوید که پیش نیازهای زیر را دارید:
برنامه جستجوی ترکیبی را در حساب AWS خود مستقر کنید
برای استقرار منابع خود، از موارد ارائه شده استفاده کنید AWS CloudFormation قالب. مناطق پشتیبانی شده AWS عبارتند از us-east-1، us-west-2 و eu-west-1. مراحل زیر را برای راه اندازی پشته کامل کنید:
- در کنسول AWS CloudFormation، یک پشته جدید ایجاد کنید.
- برای منبع قالب، انتخاب کنید URL آمازون S3.
- برای URL آمازون S3، مسیر را برای الگوی استقرار جستجوی ترکیبی.
- را انتخاب کنید بعدی.
- پشته را نام ببرید
hybridsearch
. - تنظیمات باقیمانده را به عنوان پیش فرض نگه دارید و انتخاب کنید ارسال.
- استقرار پشته قالب باید 15 دقیقه طول بکشد. پس از اتمام، وضعیت پشته به صورت نمایش داده می شود CREATE_COMPLETE.
- وقتی پشته کامل شد، به پشته بروید خروجی تب.
- انتخاب
SagemakerNotebookURL
پیوندی برای باز کردن نوت بوک SageMaker در یک برگه جداگانه. - در نوت بوک SageMaker، به مسیر بروید
AI-search-with-amazon-opensearch-service
/opensearch-hybridsearch
دایرکتوری و باز کنیدHybridSearch.ipynb
. - اگر نوت بوک از شما خواسته است که هسته را تنظیم کنید، آن را انتخاب کنید
conda_pytorch_p310
هسته را از منوی کشویی انتخاب کنید هسته را تنظیم کنید. - نوت بوک باید مانند تصویر زیر باشد.
اکنون که نوت بوک آماده استفاده است، دستورالعمل های گام به گام در نوت بوک را دنبال کنید. با این مراحل، یک رابط OpenSearch SageMaker ML و یک نمایه k-NN ایجاد میکنید، مجموعه داده را در دامنه خدمات OpenSearch وارد میکنید و برنامه جستجوی وب را در Amazon EC2 میزبانی میکنید.
با استفاده از برنامه وب، جستجوی ترکیبی را اجرا کنید
اکنون برنامه وب در حساب شما مستقر شده است و می توانید با استفاده از URL ایجاد شده در انتهای نوت بوک SageMaker به برنامه دسترسی داشته باشید.
URL تولید شده را کپی کنید و آن را در مرورگر خود وارد کنید تا برنامه راه اندازی شود.
برای اجرای جستجوی ترکیبی مراحل زیر را کامل کنید:
- برای وارد کردن عبارت جستجوی خود از نوار جستجو استفاده کنید.
- از منوی کشویی برای انتخاب نوع جستجو استفاده کنید. گزینه های موجود هستند جستجو کلید واژه, جستجوی برداریو جستجوی ترکیبی.
- را انتخاب کنید GO برای ارائه نتایج برای درخواست خود یا ایجاد مجدد نتایج بر اساس تنظیمات جدید شما.
- از پنجره سمت چپ برای تنظیم پیکربندی جستجوی ترکیبی خود استفاده کنید:
- تحت وزن برای جستجوی معنایی، نوار لغزنده را برای انتخاب وزن برای زیرپرسش معنایی تنظیم کنید. توجه داشته باشید که وزن کل برای پرس و جوهای لغوی و معنایی باید 1.0 باشد. هر چه وزن به 1.0 نزدیکتر باشد، وزن بیشتری به زیرپرسمان معنایی داده میشود و این تنظیم منهای 1.0 به عنوان وزن به پرس و جو واژگانی میرود.
- برای نوع عادی سازی را انتخاب کنید، تکنیک عادی سازی را انتخاب کنید (min_max یا L2).
- برای نوع ترکیب امتیاز را انتخاب کنید، تکنیک های ترکیب امتیاز را انتخاب کنید: میانگین حسابی, میانگین هندسی، یا هارمونیک_میانگین.
با جستجوی ترکیبی آزمایش کنید
در این پست، چهار آزمایش را برای درک تفاوت بین خروجی های هر نوع جستجو اجرا می کنید.
شما به عنوان مشتری این خرده فروشی به دنبال کفش زنانه هستید و هنوز نمی دانید چه مدل کفشی را می خواهید خریداری کنید. شما انتظار دارید که فروشگاه خرده فروشی بتواند به شما کمک کند تا با توجه به پارامترهای زیر تصمیم بگیرید:
- عدم انحراف از ویژگی های اولیه چیزی که جستجو می کنید.
- گزینه ها و سبک های همه کاره را ارائه دهید تا به شما در درک ترجیح سبک خود کمک کند و سپس یکی را انتخاب کنید.
به عنوان اولین قدم، عبارت جستجوی «کفش زنانه» را وارد کرده و انتخاب کنید 5 به عنوان تعداد اسناد برای خروجی.
سپس، آزمایشهای زیر را اجرا کنید و مشاهده را برای هر نوع جستجو مرور کنید
آزمایش 1: جستجوی واژگانی
برای جستجوی واژگانی، انتخاب کنید جستجو کلید واژه به عنوان نوع جستجوی خود، سپس انتخاب کنید GO.
جستجوی کلمه کلیدی یک پرس و جوی لغوی را اجرا می کند، و به دنبال کلمات مشابهی بین عنوان پرس و جو و تصویر می گردد. در چهار نتیجه اول، دو کفش زنانه به سبک قایق هستند که با کلمات رایجی مانند «زنان» و «کفش» مشخص شدهاند. دو مورد دیگر کفش های مردانه هستند که با اصطلاح رایج "کفش" به هم مرتبط هستند. آخرین نتیجه سبک "صندل" است و بر اساس اصطلاح رایج "کفش" مشخص شده است.
در این آزمایش، جستجوی کلیدواژه سه نتیجه مرتبط از پنج نتیجه را ارائه کرد - این به طور کامل قصد کاربر را برای داشتن کفش فقط برای زنان نشان نمیدهد.
آزمایش 2: جستجوی معنایی
برای جستجوی معنایی، انتخاب کنید جستجوی معنایی به عنوان نوع جستجو، سپس انتخاب کنید GO.
جستجوی معنایی نتایجی را ارائه کرد که همه متعلق به یک سبک خاص از کفش، "چکمه" هستند. حتی اگر عبارت "چکمه" بخشی از عبارت جستجو نبود، جستجوی معنایی درک می کند که عبارات "کفش" و "چکمه" شبیه به هم هستند زیرا آنها نزدیکترین همسایگان در فضای برداری هستند.
در این آزمایش، زمانی که کاربر هیچ مدل کفش خاصی مانند چکمه را ذکر نکرد، نتایج انتخاب کاربر را به یک مدل محدود کرد. این امر مانع از توانایی کاربر برای کشف انواع سبک ها و تصمیم گیری آگاهانه تر در مورد سبک ترجیحی کفش برای خرید می شود.
بیایید ببینیم که چگونه جستجوی ترکیبی می تواند در این مورد استفاده کمک کند.
آزمایش 3: جستجوی ترکیبی
را انتخاب کنید جستجوی ترکیبی به عنوان نوع جستجو، سپس انتخاب کنید GO.
در این مثال، جستجوی ترکیبی از پرس و جوهای جستجوی لغوی و معنایی استفاده می کند. نتایج دو «کفش قایق» و سه «چکمه» را نشان میدهند که ترکیبی از نتایج جستجوی لغوی و معنایی را منعکس میکنند.
در دو نتیجه برتر، «کفش قایق» مستقیماً با درخواست کاربر مطابقت داشت و از طریق جستجوی واژگانی به دست آمد. در موارد با رتبه پایین تر، "چکمه" از طریق جستجوی معنایی شناسایی شد.
در این آزمایش، جستجوی ترکیبی وزن یکسانی به جستجوی واژگانی و معنایی داد، که به کاربران اجازه داد به سرعت آنچه را که به دنبال آن هستند (کفش) بیابند و در عین حال سبکهای اضافی (چکمهها) را نیز برای آنها در نظر بگیرند.
آزمایش 4: پیکربندی جستجوی ترکیبی را دقیق تنظیم کنید
در این آزمایش، وزن پرسش فرعی برداری را 0.8 قرار دهید، به این معنی که عبارت جستجوی کلید واژه دارای وزن 0.2 است. تنظیمات عادی سازی و ترکیب امتیاز را روی پیش فرض قرار دهید. سپس انتخاب کنید GO برای ایجاد نتایج جدید برای پرس و جو قبلی.
ارائه وزن بیشتر به زیرپرسمان جستجوی معنایی منجر به نمرات بالاتری برای نتایج جستجوی معنایی شد. شما می توانید نتیجه ای مشابه با نتایج جستجوی معنایی آزمایش دوم، با پنج تصویر از چکمه های زنانه را مشاهده کنید.
میتوانید نتایج جستجوی ترکیبی را با تنظیم تکنیکهای ترکیبی و نرمالسازی بیشتر تنظیم کنید.
در یک محک توسط تیم OpenSearch با استفاده از مجموعه داده های عمومی در دسترس مانند BEIR و آمازون ESCI، آنها به این نتیجه رسیدند که min_max
تکنیک عادی سازی همراه با arithmetic_mean
تکنیک ترکیب امتیاز بهترین نتایج را در جستجوی ترکیبی ارائه می دهد.
شما باید گزینه های مختلف تنظیم دقیق را به طور کامل آزمایش کنید تا انتخاب کنید چه چیزی با نیازهای کسب و کار شما مرتبط است.
مشاهدات کلی
از تمام آزمایشهای قبلی، میتوان نتیجه گرفت که جستجوی ترکیبی در آزمایش سوم ترکیبی از نتایجی داشت که از نظر تطابق دقیق و همچنین سبکهای اضافی برای انتخاب، برای کاربر مرتبط به نظر میرسد. جستجوی ترکیبی با انتظارات مشتری خرده فروشی مطابقت دارد.
پاک کردن
برای جلوگیری از تحمیل هزینههای مداوم استفاده از AWS، مطمئن شوید که تمام منابعی را که به عنوان بخشی از این پست ایجاد کردهاید حذف کردهاید.
برای پاک کردن منابع خود، قبل از حذف پشته CloudFormation، مطمئن شوید که سطل S3 را که در برنامه ایجاد کرده اید، حذف کرده اید.
ادغام سرویس جستجوی باز
در این پست، شما یک الگوی CloudFormation را برای میزبانی مدل ML در یک نقطه پایانی SageMaker مستقر کردید و یک دامنه سرویس OpenSearch جدید ایجاد کردید، سپس از یک نوت بوک SageMaker برای اجرای مراحل ایجاد کانکتور SageMaker-ML و استقرار مدل ML در OpenSearch استفاده کردید. سرویس.
میتوانید با استفاده از قالبهای آماده CloudFormation از یک دامنه سرویس OpenSearch موجود، تنظیمات مشابهی را انجام دهید. ادغام کنسول سرویس OpenSearch. این الگوها مراحل استقرار مدل SageMaker و ایجاد رابط SageMaker ML را در سرویس OpenSearch به طور خودکار انجام می دهند.
نتیجه
در این پست یک راه حل کامل برای اجرای جستجوی ترکیبی با OpenSearch Service با استفاده از یک برنامه وب ارائه کردیم. آزمایشهای موجود در این پست نمونهای از این که چگونه میتوانید قدرت جستجوی لغوی و معنایی را در یک جستجوی ترکیبی ترکیب کنید تا تجربه جستجو را برای کاربران نهایی خود برای یک مورد استفاده خردهفروشی بهبود بخشید، ارائه کرد.
همچنین ویژگیهای جدید موجود در نسخه 2.9 و 2.11 را در OpenSearch Service توضیح دادیم که ساخت موارد استفاده از جستجوی معنایی مانند اتصالدهندههای ML از راه دور، خطوط لوله دریافتی و خطوط لوله جستجو را برای شما آسان میکند. علاوه بر این، ما به شما نشان دادیم که چگونه پردازشگر عادی سازی امتیازات جدید در خط لوله جستجو، ایجاد عادی سازی جهانی امتیازات را در دامنه سرویس OpenSearch شما قبل از ترکیب چندین امتیاز جستجو آسان می کند.
اطلاعات بیشتر در مورد جستجوی مبتنی بر ML با OpenSearch و با استفاده از دستورالعمل های این پست، جستجوی ترکیبی را در محیط شخصی خود تنظیم کنید. کد راه حل نیز در دسترس است GitHub repo.
درباره نویسنده
هاجر بوافیف یک معمار راه حل متخصص تجزیه و تحلیل در خدمات وب آمازون است. او بر روی سرویس جستجوی باز آمازون تمرکز می کند و به مشتریان کمک می کند تا حجم کاری تجزیه و تحلیل با معماری خوبی را در صنایع مختلف طراحی و ایجاد کنند. هاجر از گذراندن وقت در فضای باز و کشف فرهنگ های جدید لذت می برد.
پراوین موهان پراساد یک مدیر حساب فنی متخصص تجزیه و تحلیل در خدمات وب آمازون است و به مشتریان در بررسی های عملیاتی فعال در بارهای کاری تجزیه و تحلیل کمک می کند. Praveen به طور فعال در مورد استفاده از یادگیری ماشین برای بهبود ارتباط جستجو تحقیق می کند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/big-data/hybrid-search-with-amazon-opensearch-service/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 11
- ٪۱۰۰
- 150
- 2%
- 212
- 4
- 5
- 678
- 8
- 9
- a
- توانایی
- قادر
- درباره ما
- دسترسی
- مطابق
- حساب
- رسیدن
- در میان
- فعالانه
- اضافه
- اضافه
- اضافی
- نشانی
- تنظیم کردن
- تنظیم
- مزایای
- در برابر
- AI
- الگوریتم
- معرفی
- مجاز
- همچنین
- آمازون
- آمازون EC2
- آمازون خدمات وب
- an
- علم تجزیه و تحلیل
- و
- هر
- کاربرد
- با استفاده از
- روش
- تقریبا
- معماری
- هستند
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی (AI)
- AS
- مرتبط است
- فرض
- At
- خواص
- خودکار بودن
- در دسترس
- اجتناب از
- مطلع
- دور
- AWS
- AWS CloudFormation
- به عقب
- بار
- مستقر
- اساسی
- BE
- زیرا
- شدن
- بوده
- قبل از
- برکلی
- بهترین
- میان
- مخلوط
- آبی
- چکمه های
- هر دو
- جعبه
- مرورگر
- ساختن
- بنا
- فله
- کسب و کار
- by
- تماس ها
- CAN
- قابلیت های
- نوشتن شرح تصاویر و
- گرفتن
- مورد
- موارد
- کاتالوگ
- به چالش
- بار
- بررسی
- انتخاب
- را انتخاب کنید
- تمیز
- مشتری
- نزدیک
- رمز
- مجموعه
- ترکیب
- ترکیب
- ترکیب شده
- ترکیب
- ترکیب
- آینده
- مشترک
- مقايسه كردن
- مقایسه
- کامل
- به طور کامل
- اتمام
- اجزاء
- ترکیب
- محاسبه
- نتیجه گیری
- به این نتیجه رسیدند
- انجام
- پیکر بندی
- اتصال دهنده ها
- در نظر بگیرید
- کنسول
- مصرف کننده
- شامل
- زمینه
- ادامه داد:
- تعدیل کننده
- ایجاد
- ایجاد شده
- ایجاد
- فرهنگ
- مشتری
- مشتریان
- داده ها
- پایگاه داده
- مجموعه داده ها
- دهه
- تصمیم گیری
- تصمیم
- به طور پیش فرض
- تعريف كردن
- حذف کردن
- نسخه ی نمایشی
- گسترش
- مستقر
- استقرار
- گسترش
- طرح
- جزئیات
- منحرف شدن
- نمودار
- تفاوت
- مختلف
- مستقیما
- فهرست راهنما
- کشف
- توزیع شده
- مختلف
- سند
- اسناد و مدارک
- میکند
- نمی کند
- دامنه
- حوزه
- انجام شده
- آیا
- هر
- بدون دردسر
- تعبیه کردن
- را قادر می سازد
- پایان
- پشت سر هم
- نقطه پایانی
- موتور
- انگلیسی
- بالا بردن
- وارد
- محیط
- برابر
- ایجاد
- اتر (ETH)
- حتی
- هر
- دقیق
- مثال
- موجود
- انتظار
- انتظار
- تجربه
- تجربه
- آزمایش
- توضیح داده شده
- توضیح می دهد
- اکتشاف
- تسهیل
- تسهیل کننده
- ویژگی
- امکانات
- کمی از
- رشته
- شکل
- نهایی
- فاز نهایی
- پیدا کردن
- نام خانوادگی
- پنج
- تمرکز
- به دنبال
- پیروی
- برای
- یافت
- چهار
- از جانب
- بیشتر
- به
- سوالات عمومی
- تولید می کنند
- تولید
- تولید می کند
- GIF
- داده
- دادن
- جهانی
- می رود
- خوب
- دستورالعمل ها
- بود
- دست
- رخ دادن
- آیا
- بهداشت و درمان
- سنگین
- بلند کردن سنگین
- کمک
- کمک می کند
- در سطح بالا
- بالاتر
- میزبان
- میزبانی
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- ترکیبی
- مدل ترکیبی
- ID
- شناسایی
- شناسه
- نشان می دهد
- تصویر
- تصاویر
- انجام
- پیاده سازی
- بهبود
- را بهبود می بخشد
- in
- به طور فزاینده
- شاخص
- لوازم
- ابدیت
- اطلاع
- داخل
- نمونه
- دستورالعمل
- ادغام
- یکپارچگی
- اطلاعات
- قصد
- به
- معرفی
- معرفی
- شامل
- IT
- اقلام
- ITS
- JPG
- نگاه داشتن
- کلمه کلیدی
- دانستن
- l2
- زبان
- بزرگ
- نام
- تاخیر
- راه اندازی
- رهبری
- یادگیری
- ترک کرد
- سطح
- بلند کردن اجسام
- پسندیدن
- محدود شده
- ارتباط دادن
- مرتبط
- فهرست
- لیست
- به صورت محلی
- طولانی مدت
- نگاه کنيد
- شبیه
- به دنبال
- مطالب
- کم
- دستگاه
- فراگیری ماشین
- ساخت
- باعث می شود
- مدیر
- مسابقه
- تطبیق
- کبریت
- مطابق
- معنی
- به معنی
- حافظه
- ذکر
- ذکر شده
- فهرست
- متاداده
- روش
- دقیقه
- ML
- مدل
- مدل
- بیش
- اکثر
- چندگانه
- نام
- طبیعی
- زبان طبیعی
- هدایت
- نیاز
- نیازهای
- همسایه ها
- جدید
- ویژگی های جدید
- گره
- دفتر یادداشت
- اکنون
- عدد
- اشیاء
- مشاهده
- به دست آمده
- of
- پیشنهادات
- on
- ONE
- فقط
- باز کن
- عمل
- قابل استفاده
- گزینه
- or
- دیگر
- خارج
- نتیجه
- نتایج
- خارج از منزل
- تولید
- خروجی
- خارج از
- خود
- قطعه
- پارامترهای
- بخش
- ویژه
- عبور می کند
- گذشته
- مسیر
- انجام دادن
- فاز
- فاز
- عبارات
- خط لوله
- افلاطون
- هوش داده افلاطون
- PlatoData
- محبوب
- پست
- قدرت
- صفحه اصلی
- مرجح
- پیش نیازها
- ارائه
- قبلی
- اصلی
- پردازنده
- پردازنده ها
- محصول
- محصولات
- پرسیدن
- ارائه
- فراهم می کند
- عمومی
- خرید
- اهداف
- قرار دادن
- کیفیت
- نمایش ها
- پرس و جو
- سوالات
- به سرعت
- رتبه
- نسبتا
- اماده
- آماده
- اشاره دارد
- بازتاب
- مناطق
- ربط
- مربوط
- باقی مانده
- دور
- محصول
- درخواست
- مورد نیاز
- نیاز
- تحقیقات
- منابع
- پاسخ
- نتیجه
- نتیجه
- نتایج
- خرده فروشی
- برگشت
- بازده
- این فایل نقد می نویسید:
- بررسی
- دویدن
- اجرا می شود
- حکیم ساز
- همان
- نمونه
- مقیاس
- مقیاس ها
- نمره
- نمرات
- به ثمر رساندن
- یکپارچه
- جستجو
- موتور جستجو
- دوم
- دیدن
- را انتخاب کنید
- معنایی
- می فرستد
- جداگانه
- سرویس
- خدمات
- تنظیم
- محیط
- تنظیمات
- برپایی
- او
- فروشگاه
- باید
- نشان
- نشان داد
- نشان داده شده
- مشابه
- ساده
- ساده می کند
- تنها
- لغزنده
- راه حل
- مزایا
- فضا
- متخصص
- خاص
- هزینه
- چرخید
- پشته
- راه افتادن
- وضعیت
- گام
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- ساده
- نقاط قوت
- سبک
- سبک
- چنین
- مناسب
- پشتیبانی
- پشتیبانی
- حامی
- پشتیبانی از
- مطمئن
- سیستم
- سیستم های
- گرفتن
- تیم
- فنی
- تکنیک
- تکنیک
- قالب
- قالب
- مدت
- قوانین و مقررات
- آزمون
- متن
- نسبت به
- که
- La
- شان
- آنها
- سپس
- از این رو
- اینها
- آنها
- سوم
- این
- به طور کامل
- اگر چه؟
- سه
- از طریق
- زمان
- به
- بالا
- جمع
- سنتی
- اهنگ
- دو
- نوع
- انواع
- ui
- فهمیدن
- درک
- درک می کند
- منحصر به فرد
- URL
- us
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- کاربران
- استفاده
- با استفاده از
- استفاده
- نوع دیگر
- تنوع
- بردار
- بردار
- همه کاره
- نسخه
- بود
- we
- نقاط ضعف
- وب
- برنامه تحت وب
- خدمات وب
- وزن می کند
- وزن
- خوب
- بود
- چی
- چه شده است
- چه زمانی
- که
- در حین
- ویکیپدیا
- اراده
- با
- در داخل
- زنان
- کلمات
- گردش کار
- خواهد بود
- یامل
- سال
- هنوز
- شما
- شما
- زفیرنت