Embeddings और Vector Search
समझें कि पाठ vectors कैसे बनता है और उन्हें कैसे खोजें: similarity मापदंड, सीखे embeddings, सटीक और approximate nearest neighbours, quantisation, hybrid search, मूल्यांकन और production, हर प्रयोग असली चलाया हुआ।
पाठ्यक्रम
Embeddings क्या हैं
- शब्दों से निर्देशांकों तक
- Embeddings कहाँ से आते हैं
- Similarity मापदंड: Dot, Cosine और Euclidean
- आयाम और Dimensionality का अभिशाप
Embeddings बनाना और चुनना
- जाँचा जा सकने वाला सीखा Embedding
- Keyword Search बनाम Semantic Search
- Embedding Model चुनना
- पाठ तैयार करना: Chunking, Truncation, Query बनाम Document
Vectors खोजना: सटीक और Approximate
- सटीक k-Nearest Neighbours
- Approximate Search: IVF और HNSW
- संपीड़न: Scalar और Product Quantisation
- Index चुनना
सादे Nearest Neighbours से आगे
- Metadata Filtering
- Hybrid Search और Reranking
- Clustering, विषय और De-duplication
- Multi-Vector, बहुभाषी और Multimodal Embeddings
Retrieval का मूल्यांकन और सुधार
- Golden Set पर Recall@k, MRR और nDCG
- Error विश्लेषण और गुणवत्ता सुधार
- Model बदलाव, Re-Indexing और Drift
Production में Vector Search चलाना
- Vectors कहाँ रहते हैं
- Updates, Deletes और ताज़गी
- Scaling, लागत और Latency
- Embeddings की सुरक्षा और Privacy
Embeddings के अनुप्रयोग
- Semantic Search और Recommendations
- वर्गीकरण, Routing और Few-Shot Labelling
- RAG और Agent Memory के लिए Embeddings