آموزش جستجوی معنایی و بازیابی اطلاعات با استفاده از هوش مصنوعی مولد (GenAI) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• پیش‌نیازهای لازم برای دوره What you need to know for the course

• قدرت جستجوی معنایی و بازیابی اطلاعات The power of semantic search and information retrieval

1. انتخاب روش جستجو 1. Selecting Search

• به چه نوع جستجویی نیاز دارید؟ What kind of search do you need?

• مطالعه موردی: روغن زیتون Two Trees Use case: Two Trees Olive Oil

• نقش هوش مصنوعی غیر LLM در جستجوی معنایی What about non-LLM AI for semantic search?

• تصمیم‌گیری در مورد نیاز به دیتابیس برداری، گراف دانش یا هر دو Deciding if you need a vector database, a knowledge graph, or both

2. اجزای سازنده جستجوی معنایی 2. Building Blocks of Semantic Search

• گراف‌های دانش چیستند و چگونه در جستجوی معنایی استفاده می‌شوند؟ What are knowledge graphs, and how are they used in semantic search?

• جاسازی‌های برداری (Vector Embeddings) چیستند؟ What are vector embeddings?

• جستجوی معنایی چیست؟ What is semantic search?

• بازیابی اطلاعات چیست؟ What is information retrieval?

3. ارتقای جستجوی معنایی 3. Enhancing Semantic Search

• داده‌های کاربر و بومی‌سازی User and localization data

• عملکرد جستجو در جستجوی معنایی Search performance in semantic search

• شباهت معنایی چیست؟ What is semantic similarity?

• شباهت معنایی چگونه محاسبه می‌شود؟ How is semantic similarity calculated?

• پیمایش در گراف Walking the graph

• وزن‌ها، تقویت‌ها و بلوک‌ها Weights, boosts, and blocks

• سایر عوامل مؤثر بر شباهت معنایی Other factors for semantic similarity

• ارزیابی خودکار و انسانی میزان مرتبط بودن جستجو Automated and human search relevancy assessment

4. بهینه‌سازی داده‌ها و موجودیت‌ها برای جستجوی معنایی 4. Optimizing Data and Entities for Semantic Search

• شناسایی موجودیت‌ها و رفع ابهام Entity recognition and disambiguation

• روش‌های جایگزین جستجو Alternative search methods

• کیفیت متن و سند Text and document quality

5. تسلط بر جستجوی معنایی با هوش مصنوعی، بازخورد انسانی و داده‌های کلیدی 5. Mastering Semantic Search with AI, Human Feedback, and Key Data

• هوش مصنوعی چگونه می‌تواند از داده‌های برداری و گراف برای جستجوی معنایی استفاده کند؟ How can AI use both vector and graph data for semantic search?

• محل قرارگیری جستجو در خط لوله (Pipeline) هوش مصنوعی یا داده‌ها Where does search fit in an AI or data pipeline?

• چگونه می‌توان از شاخص‌های کلیدی عملکرد (KPIs) در جستجوی معنایی استفاده کرد؟ How can key performance indicators (KPIs) be used in semantic search?

6. پیوند متن و گراف‌ها برای جستجوی معنایی هوشمندتر 6. Bridging Text and Graphs for Smarter Semantic Search

• بارگذاری مدل نمونه و داده‌ها در Stardog Loading our sample model and data into Stardog

• ساخت یک پرس‌وجوی گرافی (Graph Query) Building a graph query

• استفاده از داده‌های گراف برای مستندسازی پاسخ هوش مصنوعی Using graph data to ground an AI response

• مقایسه مستندسازی GraphRAG به تنهایی در مقابل RAG با گراف‌های دانش معنایی Comparison GraphRAG grounding alone vs. RAG with semantic knowledge graphs

• گزینه‌های پرس‌وجو Query options

جمع‌بندی Conclusion

• ادامه مسیر یادگیری شما Continuing your learning journey