La búsqueda vectorial es un método utilizado en la recuperación de información y el aprendizaje automático para encontrar elementos similares basados en sus representaciones matemáticas como vectores. En este enfoque, cada elemento se representa como un vector de alta dimensión, y cada dimensión corresponde a un rasgo o característica del elemento. Luego, los algoritmos de la búsqueda vectorial comparan estos vectores para encontrar elementos similares, como el hecho de tener características similares o estar muy juntos en el espacio vectorial. Siga leyendo aquí.
Con la introducción de los tipos de datos vectoriales y la funcionalidad de Vector Search en IRIS se nos abre todo un mundo de posibilidades para el desarrollo de aplicaciones y un ejemplo de estas aplicaciones es la que vi reciéntemente publicada un concurso público de la Consejería de Sanidad de Valencia en la que solicitaban una herramienta para ayudar en la codificación CIE-10 utilizando modelos de IA.
¿Cómo podríamos implementar una aplicación similar a la solicitada? Veamos que necesitaríamos:
Ya estamos en 2024, la versión IRIS 2024.1 acaba de salir y todos estamos hablando de ello aquí. Ya tenemos muchos tutoriales sobre búsqueda vectorial y aplicaciones de chats de inteligencia artificial. Hoy quiero proponer algo diferente. Quiero presentar una idea y explorar todos sus límites, y a lo largo del texto plantearé algunas preguntas sobre la capacidad de las herramientas utilizadas, para que luego podamos comprender no solo los resultados de las nuevas funcionalidades, sino también cómo la máquina las procesa.
Después del último concurso de programación sobre OEX tuve algunas observaciones sorprendentes. Había aplicaciones casi exclusivas basadas en AI en combinación con módulos Py prefabricados. Pero profundizando más, todos los ejemplos utilizaron las mismas piezas técnicas de IRIS.
Visto desde el punto de vista de IRIS, era más o menos lo mismo si se buscaba texto o buscar imágenes u otros patrones.Terminó en métodos casi intercambiables.
Bienvenidos a la tercera y última entrega de nuestros artículos dedicados al desarrollo de aplicaciones RAG basadas en modelos LLM. En este artículo final veremos sobre nuestro pequeño proyecto de ejemplo como podemos encontrar el contexto más adecuado a la pregunta que deseamos enviar a nuestro modelo LLM y para ellos haremos uso de la funcionalidad de búsquedas vectoriales incluida en IRIS.
La mayoría de los ejemplos que he visto hasta ahora en OEX o DC dejan la impresión de que los VECTORES son sólo algo disponible con SQL con las 3 Funciones especialmente alrededor de VECTOR_Search. * TO_VECTOR() * VECTOR_DOT_PRODUCT () * VECTOR_COSINE ()
Hay un resumen muy útil escondido en el paquete de demostración iris-vector-search. Desde allí encontraréis todo lo que necesitáis en varios enlaces y rincones.
En el artículo anterior presentábamos la aplicación d[IA]gnosis desarrollada para el soporte a la codificación de diagnósticos en CIE-10. En este veremos como InterSystems IRIS for Health nos proporciona las herramientas necesarias para la generación de vectores a partir de la lista de códigos CIE-10 mediante un modelo pre-entrenado de lenguaje, su almacenamiento y la posterior búsqueda de similitudes sobre todos estos vectores generados.
Principio: Tras dividir el artículo cargado por el usuario en frases mediante Python, se obtiene el valor incrustado y se almacena en la base de datos Iris. A continuación, la similitud entre las frases se compara a través de la búsqueda vectorial Iris, y finalmente se muestra en la página front-end.
Pero si todavía no has probado los vectores en IRIS, dame un minuto y lo vemos 😄: creamos una clase IRIS y con eso ya es suficiente para ver cómo pones datos vectoriales en tu base de datos IRIS y cómo los comparas en tu aplicación.
En este artículo, voy a presentar mi aplicación iris-RAG-Gen .
Iris-RAG-Gen es una aplicación generativa AI Retrieval-Augmented Generation (RAG) que aprovecha la funcionalidad de IRIS Vector Search para personalizar ChatGPT con la ayuda del framework web Streamlit, LangChain, y OpenAI. La aplicación utiliza IRIS como almacén de vectores.
InterSystems IRIS 2024 ha introducido recientemente los tipos de vectores. Esta adición os permite trabajar con búsquedas por vectores, habilitando búsquedas eficientes de similitud, agrupación y una amplia gama de otras aplicaciones. En este artículo, profundizaremos en las complejidades de los tipos de vectores, exploraremos sus aplicaciones y os proporcionaremos ejemplos prácticos para guiar vuestra implementación.
En ObjectScript, tenéis una amplia colección de funciones que devuelven algún valor, típicamente:
set variable = $somefunction(param1,param2, ...)
No hay nada especial en eso. Pero hay un conjunto de funciones que clasifico como del LADO IZQUIERDO. La especialidad de ellas es que también podéis usarlas a la izquierda del operador igual como un objetivo en el comando SET:
Motivado por comentarios personales de @EDILSON CARVALHOy una excelente presentacion de @Michael Braamrelacionada con la Búsqueda Vectorial me gustaría compartir mi aproximación personal a los Vectores.
🌍 Inclusión e Innovación en la Educación 🌍 Nuestro proyecto reimagina el aprendizaje para todos los estudiantes, con un enfoque en la accesibilidad y experiencias interactivas. Diseñado con el objetivo de hacer que la educación sea atractiva e inclusiva, esta herramienta está creada para apoyar a estudiantes de todas las habilidades en el aprendizaje de material complejo de forma intuitiva.
💡 Lo que hace Esta aplicación educativa transforma presentaciones de lecciones en sesiones de estudio interactivas:
Por visualizaciones
Open Exchange app.png)
