Ha ma egy webáruházban keresel, általában kulcsszavak alapján működő keresővel találkozol. Beírod, hogy „rozsdamentes csavar kültérre", és a rendszer megpróbál olyan találatokat mutatni, amelyekben ezek a szavak szerepelnek.

De mi történik akkor, ha a vásárló így kérdez: „Melyik csavar nem fog rozsdásodni az esőben?"

A kulcsszavak teljesen mások — a jelentés viszont ugyanaz. Itt jön képbe a vektoros keresés.

Mi az a vektoros tudásbázis?

Egyszerűen fogalmazva: a vektoros tudásbázis nem a szavakat, hanem a jelentést tárolja.

Amikor egy szöveg — például egy termékleírás vagy GYIK válasz — bekerül a rendszerbe, a mesterséges intelligencia elemzi a tartalmát, „lefordítja" egy számsorozattá, majd ezt a számsorozatot (vektort) eltárolja. Ez a számsorozat valójában a szöveg jelentésének matematikai leképezése.

A rendszer nem azt nézi, milyen szavak szerepelnek — hanem azt, hogy mit jelent a szöveg.

Hogyan működik a gyakorlatban?

1. A tudás feltöltése

A webáruház termékleírásokat, kategóriaoldalakat, szállítási feltételeket, GYIK oldalt és akár PDF dokumentumokat tölt fel a rendszerbe. Ezekből a rendszer vektorokat készít, és eltárolja őket egy speciális adatbázisban — a vektoradatbázisban.

2. A vásárló kérdez

Például: „Melyik csavar bírja a nedvességet?" — a rendszer ezt a kérdést is átalakítja egy vektorrá.

3. Jelentés alapú összehasonlítás

A rendszer nem azt vizsgálja, hogy szerepel-e a „nedvesség" szó. Hanem azt nézi: melyik eltárolt szöveg áll a jelentésében a legközelebb a kérdéshez? Így képes megtalálni azt a termékleírást, ahol például ez szerepel: „Rozsdamentes A2 kivitel, kültéri használatra ajánlott."

A két szöveg között nincs azonos kulcsszó — mégis ugyanarra a problémára ad választ.

Miért talál relevánsabb választ, mint a hagyományos rendszer?

1. Nem ragad le a pontos szóhasználatnál

A kulcsszavas keresésnél ha nincs benne a pontos szó, nem találja meg — ha túl sokszor szerepel egy szó, irreleváns találatokat is adhat. A vektoros keresés ezzel szemben a szinonimákat is érti, a kérdés mögötti szándékot is figyelembe veszi, és a teljes mondat jelentését vizsgálja.

2. Kevesebb félreértés

Kulcsszavas rendszerben az „M6 csavar nem rozsdásodik?" kérdésnél gondot okozhat a „nem" szó. A vektoros rendszer a teljes jelentést elemzi, így pontosabban értelmezi a kérdést.

3. Természetesebb kérdésekre is működik

Az emberek nem keresőoptimalizált mondatokat írnak. Nem így kérdeznek: „Rozsdamentes csavar kültér A2 5x50 ár" — hanem így: „Teraszhoz milyen csavart vegyek?" A vektoros keresés az ilyen természetes, beszélt nyelvű kérdéseket is jól kezeli.

Hogyan kapcsolódik ez az AI chatbothoz?

Egy modern, RAG alapú chatbot két dolgot csinál: vektoros kereséssel megtalálja a legrelevánsabb információt a tudásbázisban, majd a megtalált információ alapján természetes, emberi választ fogalmaz meg.

Ezért tud pontos lenni, kontextusban válaszolni, és a webáruház saját adataiból dolgozni — nem talál ki információt, hanem a legrelevánsabbat emeli ki.

Miért számít ez üzletileg?

A relevánsabb válasz csökkenti a kosárelhagyást, növeli a bizalmat, gyorsítja a döntést, és tehermentesíti az ügyfélszolgálatot. Különösen fontos ez olyan webáruházaknál, ahol sok a termék, műszaki jellegű az információ, vagy gyakoriak az egyedi kérdések.

Minél pontosabb a válasz, annál nagyobb az esély, hogy a látogatóból vásárló lesz.

Összegzés

A vektoros keresés lényege nem a kulcsszó, hanem a jelentés. Egy vektoros tudásbázis a tartalom mögötti értelmet tárolja, jelentés alapján hasonlít össze, és természetes nyelvű kérdésekre is releváns választ ad.

Ez az egyik kulcstechnológia a modern AI chatbotok mögött — és az oka annak, hogy sokkal intelligensebbnek és „emberibbnek" tűnnek, mint a hagyományos chatbotok.