Modul ini membahas ukuran kemiripan antar vektor sebagai dasar pencarian pada basis data vektor. Bahasannya mencakup tiga ukuran utama, yaitu cosine similarity, dot product, dan jarak Euclidean (L2), dilanjutkan dengan normalisasi vektor, kesesuaian metrik pencarian dengan model embedding, serta pengambilan top-k sebagai primitif query. Materi modul ini menjadi bahasa bersama bagi modul indeks dan evaluasi pada bagian akhir jalur.
Kemiripan Vektor
Ukuran kemiripan antar vektor: cosine, dot product, dan Euclidean, beserta pasangan metrik dan modelnya.
0/0 selesai
- Jarak vs Kemiripan
Keluarga ukuran kemiripan vektor: cosine, dot product, dan Euclidean (L2), beserta konteks penggunaannya.
- Cosine dalam Praktik
Normalisasi vektor dan alasan vektor ternormalisasi membuat dot product dan cosine menghasilkan peringkat yang sama.
- Pasangan Metrik dan Model
Menggunakan jarak yang menjadi dasar pelatihan model embedding sebagai metrik pencarian.
- Dari Kemiripan ke Peringkat
Pengambilan top-k sebagai primitif query pada pencarian vektor.