Hvad er semantisk søgning og hvordan adskiller det sig fra traditionel søgning?
Traditionel søgning, også kaldet keywordsøgning, fungerer ved at matche eksakte ord eller fraser i en tekst. Hvis en medarbejder søger efter 'ferieregler', vil systemet kun finde dokumenter, hvor netop det ord optræder. Semantisk søgning derimod forstår betydningen bag ordene. Ved at benytte avancerede algoritmer kan systemet identificere sammenhænge og synonymer, hvilket betyder, at en søgning på 'ferieregler' også kan returnere resultater om 'fraværspolitik' eller 'overenskomstmæssig fridage'.
Denne form for søgning baserer sig på vektorsøgning. Her omdannes tekst til numeriske værdier, kaldet embeddings, som placeres i et flerdimensionelt rum. Dokumenter med lignende betydning placeres tæt på hinanden som vektorer. Når en bruger indtaster en søgning, omdannes denne forespørgsel ligeledes til en vektor, og systemet finder de dokumenter, der ligger tættest på i betydning, snarere end blot at kigge på de enkelte bogstaver.
Hybrid søgning og implementering af vektorsøgning (embeddings) til vidensbase
For mange virksomheder er den mest effektive løsning en kombination af teknologier. Hybrid søgning i Azure AI Search forener styrkerne fra traditionel keywordsøgning og den moderne vektorsøgning. Mens vektorer er eminente til at forstå kontekst og naturligt sprog, er keywordsøgning stadig uovertruffen, når det kommer til at finde specifikke produktkoder, navne eller tekniske termer. Ved at bruge hybrid søgning (keyword + semantisk) i Azure AI Search sikrer man, at medarbejderne får de mest præcise resultater uanset forespørgslens karakter.
Når man påbegynder implementering af vektorsøgning (embeddings) til vidensbase, starter processen typisk med at indeksere virksomhedens eksisterende data. Azure AI Search fungerer her som en sikker enterprise-platform, der kan håndtere store mængder interne dokumenter. Ved at transformere ustrukturerede data til søgbare vektorer, kan virksomheden skabe en vidensbank, hvor information ikke længere er gemt væk i uoverskuelige filstrukturer, men er umiddelbart tilgængelig via intelligent søgning.
Sematisk søgning til interne dokumenter i virksomheden via RAG
En af de mest kraftfulde anvendelser af teknologien er en RAG løsning med semantisk søgning til kundeservice og support eller interne HR-funktioner. RAG står for Retrieval-Augmented Generation og fungerer ved, at en AI-model først 'henter' (retrieves) de mest relevante informationer fra virksomhedens egne dokumenter ved hjælp af semantisk søgning, før den genererer et svar. Dette sikrer, at svar er baseret på faktuel, intern viden frem for generel træningsdata, hvilket minimerer risikoen for fejlbehæftede informationer.
Brugen af semantisk søgning til interne dokumenter i virksomheden gør det muligt for medarbejdere at stille spørgsmål i naturligt sprog og få direkte svar fremfor blot en liste med links. Dette effektiviserer arbejdsprocesser markant, da tid brugt på manuel dokumentgennemgang reduceres. For virksomheder, der ønsker at teste potentialet, er en MVP/pilot af semantisk søgning i eksisterende workflows en oplagt vej at gå. Det giver mulighed for at validere værdien af teknologien på et afgrænset område, før en fuld udrulning i organisationen finder sted.