借助机器学习将搜索提升到全新水平

Elastic 基于 Lucene 向量字段和近似最近邻（ANN，使用 HNSW）搜索构建而成，通过将搜索查询与基于向量的搜索概念进行匹配，使搜索应用程序响应得更快、更准确 — 这一点大规模搜索中，表现尤为突出。使用 Elastic 的向量数据库创建、存储和查询嵌入。

通过支持现代自然语言处理，您可以将 PyTorch、Python 和转换器模型与 Elasticsearch 采集管道结合使用，以进行情感分析、文本分类和命名实体识别 (NER)。支持直接从 Hugging Face 导入热门的转换器模型。

构建并应用预测模型（监督式学习），对数据进行分类或预测趋势。要在 Elastic 中应用预测模型，请使用我们的转换实用工具将原始数据从 Elasticsearch 索引转换为数据帧。

通过命名实体识别和文本分类，构建可针对最终用户位置、客户帐户或购买历史记录或他们在组织内角色进行响应的搜索体验。

借助自然语言搜索，可让用户大规模更快、更准确地获得结果。既可使用 Elastic 开箱即用型的模型，也可通过向量搜索和近似最近邻算法（捕捉上下文信息并解锁搜索 查询背后的含义）来构建。

跨大型数据集比较图像，以实现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，在您的常见问答、帮助中心或支持知识库中查找类似问题，从而更快地为用户提供相关答案。当您使用 LLM 和生成式 AI 为新体验提供强大支持时，将您的专有数据关联起来，以获得更相关的输出。

通过命名实体识别、文本嵌入、零样本分类和情感分析来组织内容，以在您的网站上同时显示五星级客户评价或类似的新闻报道，对研究数据进行分类，或发送客户支持问题。

使用机器学习模型，通过对搜索分析和行为进行分类、聚类和关联，发现搜索数据中的模式并做出有效反应， 如内容或商品目录中的空白。