AI901-Concept#53
以下の各ステートメントについて、embedding / vector store の説明として正しい場合は「はい」を、正しくない場合は「いいえ」を選択してください。
注: 正解 1 つにつき 1 点が与えられます。
| ステートメント | はい | いいえ |
|---|---|---|
vector store は embedding ベクトルを保存し、クエリに対する近似最近傍 (ANN) 検索を高速に実行する基盤である。 vector store の定義どおりで、Azure AI Search の vector index や Cosmos DB の vector search、pgvector が代表例です。RAG の検索層を構成します。 | ||
Azure OpenAI の text-embedding-3-large は 3,072 次元のベクトルを返すが、dimensions パラメータで次元削減はできない。 text-embedding-3-large は dimensions パラメータで次元削減を指定でき、ストレージ / レイテンシと精度のトレードオフを調整可能です。 | ||
cosine 類似度はベクトル間の方向の近さを測る尺度で、embedding を使ったセマンティック検索のデファクトとして用いられる。 cosine 類似度はベクトル角度を -1〜1 のスケールで測定し、Azure AI Search や Cosmos DB の vector search でも標準採用されています。 |
解説
【正解一覧】
| ステートメント | 正解 |
|---|---|
| vector store は embedding ベクトルを保存し、クエリに対する近似最近傍 | はい |
| Azure OpenAI の text-embedding-3-large は 3,072 次元のベクトルを返すが、dimensions… | いいえ |
| cosine 類似度はベクトル間の方向の近さを測る尺度で、embedding を使ったセマンティック検索のデファクトとして用いられる。 | はい |
【各判定の詳細】
- 「vector store は embedding ベクトルを保存し、クエリに対する近似最近傍」→ はい: vector store の定義どおりで、Azure AI Search の vector index や Cosmos DB の vector search、pgvector が代表例です。RAG の検索層を構成します。
- 「Azure OpenAI の text-embedding-3-large は 3,072 次元…」→ いいえ: text-embedding-3-large は dimensions パラメータで次元削減を指定でき、ストレージ / レイテンシと精度のトレードオフを調整可能です。
- 「cosine 類似度はベクトル間の方向の近さを測る尺度で、embedding を使ったセマンティ…」→ はい: cosine 類似度はベクトル角度を -1〜1 のスケールで測定し、Azure AI Search や Cosmos DB の vector search でも標準採用されています。
コメント