通过机器学习将搜索提升到新水平

Elastic 是使用 Lucene 的向量字段和近似最近邻 (ANN，使用 HNSW) 搜索构建的，将搜索查询与基于向量的搜索概念匹配，从而使搜索应用程序更快、更准确 — 尤其是在大规模情况下。使用 Elastic 的向量数据库创建、存储和查询嵌入。

对现代自然语言处理的支持使您能够将 PyTorch、Python 和 Transformer 模型与 Elasticsearch 摄取管道一起使用，进行情感分析、文本分类和命名实体识别 (NER)。直接从 Hugging Face 导入流行的 Transformer 模型。

构建和应用预测模型（监督学习）将数据分类为类别或预测趋势。要在 Elastic 中应用预测模型，请使用我们的 Transforms 工具 将 Elasticsearch 索引中的原始数据转换为数据帧。

通过命名实体识别和文本分类构建可根据最终用户位置、客户帐户或购买历史记录或者其在组织内的角色定制响应的搜索。

自然语言搜索使用户能够大规模地更快地获得更准确的结果。使用 Elastic 的开箱即用模型或使用向量搜索和近似最近邻算法构建它，这些算法捕获上下文信息并解锁搜索查询背后的含义。

比较大型数据集中的图像，以进行产品发现和交叉销售、图像跟踪和身份验证。

通过使用向量字段和文本相似性搜索在您的 FAQ、帮助中心或支持知识库中查找类似的问题，让用户更快地获得相关答案。当您使用 LLM 和生成式 AI 来增强新体验时，链接您的专有数据可获得更相关的输出。

整理内容，以便在您的网站上一起显示五星级客户评论或类似的新闻报道、对研究数据进行分类或通过命名实体识别、文本嵌入、零样本分类和情感分析来路由客户支持问题。

使用对搜索分析和行为进行分类、聚类和关联的机器学习模型，发现并响应搜索数据中的模式，例如您的内容或产品目录中的空白。