Elasticsearch vector

Elasticsearch vector — механизм хранения и поиска данных в Elasticsearch, где объекты представлены не текстом, а векторами — списками чисел, кодирующими смысл. Например: [0.12, -0.45, 0.98]. Каждая координата отражает скрытое свойство объекта — тональность, тематику и т.п.

Такое расширяет возможности поиска. Классический текстовый поиск ищет совпадения слов: запрос «недорогой телефон» найдёт только точные фразы. Векторный поиск работает по смыслу: находит похожие документы, товары, изображения, даже если формулировки различаются. Для бизнеса это релевантные ответы там, где раньше система не находила ничего.

Принцип: каждый объект становится точкой в многомерном пространстве. Модель машинного обучения превращает смысл текста или картинки в координаты. Смысловая близость становится геометрической: чем меньше расстояние между векторами, тем ближе значения. Метрики могут быть разными (косинусная близость, евклидово расстояние), но суть одна — вычисление «кто рядом».

Пример: интернет-магазин мебели. Пользователь ищет «удобное кресло для спины». Обычный поиск покажет товары со словами из запроса. Векторный выдаст также «эргономичное рабочее кресло» и «кресло с поддержкой поясницы» — слова разные, смысл близкий. Покупатель быстрее находит нужное, продавец получает больше конверсий.

Кратко: Elasticsearch vector — переход от поиска по символам к поиску по значению. Вместо строгого совпадения слов — близость координат в пространстве смыслов. Это умнее, гибче и полезнее для реальных задач.