Скалярное произведение
В машинном обучении данные превращают в векторы чисел: изображения — в пиксели, тексты — в частотные характеристики, пользователей — в предпочтения. Скалярное произведение даёт удобный способ сравнения: чем больше результат, тем ближе объекты по смыслу. На нём строятся рекомендательные системы, поиск изображений, распознавание речи и обучение нейросетей, где такие операции выполняются миллионы раз в каждом слое.
Интуитивно это проекция одного вектора на другой. Если векторы направлены одинаково, произведение положительное и большое; если перпендикулярны — ноль, то есть ничего общего; если противоположны — отрицательное. Операция «спрашивает», насколько один вектор согласуется с другим. В многомерных пространствах работает так же, хотя вообразить их сложно.
Классический пример — рекомендательный сервис. Ваш профиль описывается вектором интересов к жанрам, для каждого фильма строится аналогичный вектор. Скалярное произведение профиля и фильма даёт число: высокое — фильм подходит, низкое или отрицательное — можно пропустить. Так простая математика решает задачу персонализации.
Итак, скалярное произведение — компактный и мощный способ сравнения. Оно превращает интуитивное понятие «похожести» в точную числовую величину, на которой держатся бесчисленные алгоритмы ИИ. Поняв его суть, вы проникаете в сердцевину того, как машины отличают котиков от собак, подбирают музыку и понимают речь.
Поделиться