Utiliser l’API d’intégration multimodale Azure AI Vision pour la récupération d’images

Bienvenue dans une nouvelle série d'apprentissage sur la recherche de similarité d'images avec pgvector, une extension de recherche de similarité vectorielle open source pour les bases de données PostgreSQL.

Je trouve que la recherche vectorielle est une technologie intrigante et j’ai décidé de l’explorer ! Tout au long de cette série, je discuterai des concepts de base de la recherche vectorielle, vous présenterai l'API d'intégration multimodale d'Azure AI Vision et vous guiderai dans la création d'une application de recherche de similarité d'images à l'aide d'Azure Cosmos DB pour PostgreSQL.

Introduction

Les systèmes de recherche conventionnels s'appuient sur des correspondances exactes de propriétés telles que des mots-clés, des balises ou d'autres métadonnées, la similarité lexicale ou la fréquence des occurrences de mots pour récupérer des éléments similaires. Récemment, la recherche de similarité vectorielle a transformé le processus de recherche. Il exploite l'apprentissage automatique pour capturer la signification des données, vous permettant ainsi de trouver des éléments similaires en fonction de leur contenu. L'idée clé de la recherche vectorielle consiste à convertir des données non structurées, telles que du texte, des images, des vidéos et de l'audio, en vecteurs de grande dimension (également appelés intégrations) et à appliquer des algorithmes du plus proche voisin pour trouver des données similaires.

Dans ce didacticiel, vous apprendrez à :

• Décrire les plongements vectoriels et la recherche de similarité vectoriel...
  [Courte citation de 8% de l'article original]