實時航班追蹤背后的技術：在線飛機追蹤器的工作原理
在上面，我們需要從阿里云獲得 api_key 來進行。運行上面的命令：
我們接下來可以通過如下的方式來測試（如下信息由地址獲得）：
POST _inference/alibabacloud_ai_search_sparse
{
"input": "阿里巴巴（中國）有限公司成立于2007年03月26日，法定代表人蔣芳"
}上面的命令顯示的結果為：
我們從上面的顯示結果可以看出來，它和我們之前的 Elastic ELSER 輸出是不同的。這里應該是 unicode。
上面的命令和下面的命令是一樣的：
POST _inference/sparse_embedding/alibabacloud_ai_search_sparse
{
"input": "阿里巴巴（中國）有限公司成立于2007年03月26日，法定代表人蔣芳"
}因為每個 endpoint 在 Elasticsearch 創建時，都會自動檢測并識別出它是什么類型的模型，所以上面路徑中的 sparse_embedding 是可以省去的。
PUT _inference/text_embedding/alibabacloud_ai_search_embeddings
{
"service": "alibabacloud-ai-search",
"service_settings": {
"api_key": "<api_key>",
"service_id": "ops-text-embedding-001",
"host": "default-j01.platform-cn-shanghai.opensearch.aliyuncs.com",
"workspace": "default"
}
}運行上面的命令，我們可以看到：
我們可以使用如下的命令來生成密集向量：
POST _inference/alibabacloud_ai_search_embeddings
{
"input": "阿里巴巴（中國）有限公司成立于2007年03月26日，法定代表人蔣芳"
}
密集向量是一個浮點數的數組。我們在生成的時候，其實還是可以對它進行標量量化，這樣可以節省內存消耗，并提高搜索的速度。
我們甚至可以針對搜索的結果運用大模型來得到一個 completion 的結果，比如，我們使用如下的命令來生成一個 completion 的推理 API 端點：
PUT _inference/completion/alibabacloud_ai_search_completion
{
"service": "alibabacloud-ai-search",
"service_settings": {
"host" : "default-j01.platform-cn-shanghai.opensearch.aliyuncs.com",
"api_key": "{{API_KEY}}",
"service_id": "ops-qwen-turbo",
"workspace" : "default"
}
}
我們可以通過如下的例子來展示 completion：
POST _inference/completion/alibabacloud_ai_search_completion
{
"input": "阿里巴巴（中國）有限公司是什么時候成立的?"
}
這個結果是結合大模型而生成的。大模型提供了一個基于在大模型訓練時得到的結果。
同樣，我們可以按照如下的命令來生成一個 rerank 的推理 API 端點：
PUT _inference/rerank/alibabacloud_ai_search_rerank
{
"service": "alibabacloud-ai-search",
"service_settings": {
"api_key": "<api_key>",
"service_id": "ops-bge-reranker-larger",
"host": "default-j01.platform-cn-shanghai.opensearch.aliyuncs.com",
"workspace": "default"
}
}
在上面的 input 里，我們列舉了兩個文檔。我們可以通過 rerank 端點來針對這兩個文檔重新進行排序。假如我們想搜索的文字是 “阿里巴巴（中國）有限公司是哪一年成立的？”。那么 rerank 返回來的結果是：
從上面，我們可以看出來，第二個文檔比第一個文檔更為貼近，也就是它的相關度更高。
在很多情況下，我們企業有很多的業務數據或者私有數據每時每刻都在生成，而大模型的知識僅限于在它生成的時候，所以很多的時候，大模型有很多的知識是不知道的。如果我們不對大模型的回答進行限制，那么它可能給出的答案就是錯誤的，從而產生幻覺。在實際的應用中，我們通常把業務或私有數據保存于像 Elasticsearch 這樣的向量數據庫中。在搜索時，我們首先搜索 Elasticsearch，并把搜索的結果發送給大模型做為 prompt 的一部分，這樣就可以解決幻覺的問題。
首先，我們來創建一個稀疏向量索引：
PUT alibaba_sparse
{
"mappings": {
"properties": {
"inference_field": {
"type": "semantic_text",
"inference_id": "alibabacloud_ai_search_sparse"
}
}
}
}然后，我們寫入如下的兩個文檔
PUT alibaba_sparse/_bulk
{"index": {"_id": "1"}}
{"inference_field": "阿里巴巴（中國）有限公司成立于2007年03月26日，法定代表人蔣芳"}
{"index": {"_id": "2"}}
{"inference_field": "阿里云（Alibaba Cloud Computing Co. Ltd，又名：阿里云計算有限公司）創立于2009年，總部設在杭州，為阿里巴巴集團的數字技術與智能骨干業務，向全球客戶提供全方位云服務，包括自有服務器、彈性計算、存儲、網絡安全、數據庫和大數據等服務。"}我們通過如下的命令來進行搜索：
GET alibaba_sparse/_search
{
"query": {
"semantic": {
"field": "inference_field",
"query": "阿里云是什么時候成立的？"
}
}
}阿里云排第一位
“阿里云（Alibaba Cloud Computing Co. Ltd，又名：阿里云計算有限公司）創立于2009年，總部設在杭州，為阿里巴巴集團的數字技術與智能骨干業務，向全球客戶提供全方位云服務，包括自有服務器、彈性計算、存儲、網絡安全、數據庫和大數據等服務。
“阿里巴巴排第二位
“阿里巴巴（中國）有限公司成立于2007年03月26日，法定代表人蔣芳”含有阿里云的文檔排在第一的位置。這個就是我們所說的向量搜索。在實際的很多例子中，我們有時想得到一個唯一的答案，甚至這個答案是推理出來的，而不原始的文檔。這個時候我們就需要用到大模型，也就是使用 completion 這個推理端點。我們首先來做如下的搜索：
GET alibaba_sparse/_search
{
"query": {
"semantic": {
"field": "inference_field",
"query": "阿里巴巴公司的法人是誰？"
}
}
}
這次只有一個文檔被列出來了。我們在下面使用 completion 端點：
POST _inference/completion/alibabacloud_ai_search_completion
{
"input": "<|system|>
你是一個知識淵博的人.</s>
<|user|>
CONTEXT:
阿里巴巴（中國）有限公司成立于2007年03月26日，法定代表人蔣芳
QUESTION:
阿里巴巴公司的法人是誰？</s>
<|assistant|>"
}在上面，我們把上面搜索的結果文檔 “阿里巴巴（中國）有限公司成立于2007年03月26日，法定代表人蔣芳” 作為 context 的一部分，并把搜索的問題也一并提交。我們使用 completion 端點 API 來查看結果：
上面顯示的結果是 “阿里巴巴公司的法定代表人是蔣芳”。很顯然這個和之前的直接使用 completion 而沒有 context 的結果是完全不同的：
POST _inference/completion/alibabacloud_ai_search_completion
{
"input": "阿里巴巴法定代表是誰?"
}
可以這樣理解，有了從 Elasticsearch 向量數據庫（實時業務數據或私有數據）中搜索來的結果并提供給大模型，大模型可以根據這些上下文，得到更為貼近答案的搜索結果。這個在實際的使用中避免幻覺！另外一個例子：
POST _inference/completion/alibabacloud_ai_search_completion
{
"input": "<|system|>
你是一個知識淵博的人.</s>
<|user|>
CONTEXT:
阿里巴巴（中國）有限公司成立于2007年03月26日，法定代表人蔣芳
QUESTION:
阿里巴巴（中國）有限公司是什么時候成立的？</s>
<|assistant|>"
}
按照構建提示（prompt）的方法，我們來創建一個密集向量的索引：
PUT alibaba_dense
{
"mappings": {
"properties": {
"inference_field": {
"type": "semantic_text",
"inference_id": "alibabacloud_ai_search_embeddings"
}
}
}
}我們按照同樣的方法來寫入文檔：
PUT alibaba_dense/_bulk
{"index": {"_id": "1"}}
{"inference_field": "阿里巴巴（中國）有限公司成立于2007年03月26日，法定代表人蔣芳"}
{"index": {"_id": "2"}}
{"inference_field": "阿里云 (又名：阿里云計算有限公司）創立于2009年，總部設在杭州，為阿里巴巴集團的數字技術與智能骨干業務，向全球客戶提供全方位云服務"}我們來對這個密集向量索引 alibaba_dense 來進行搜索：
GET alibaba_dense/_search
{
"query": {
"semantic": {
"field": "inference_field",
"query": "Alibaba 的法人是誰？"
}
}
}
很顯然，在我們的搜索中，我們并沒有使用 “阿里巴巴”，我們查詢的是 Alibaba。在向量空間里 “阿里巴巴” 等同于 “Alibaba”。同樣地，
GET alibaba_dense/_search
{
"query": {
"semantic": {
"field": "inference_field",
"query": "Aliyun是什么樣的公司？"
}
}
}上面的搜索的結果是：
很顯然，含有 “阿里云” 的文檔排名為第一盡管我們搜索的是 “Alibaba”。
我們知道 semantic_text 字段可以幫我們自動把一大段的文字進行分塊，而不需要我們手動去分塊。這個是 semantic_text 一個非常大的好處。我們來創建一個叫做 alibaba_dense_large_text 的索引：
PUT alibaba_dense_large_text
{
"mappings": {
"properties": {
"inference_field": {
"type": "semantic_text",
"inference_id": "alibabacloud_ai_search_embeddings"
}
}
}
}我們也為這個索引創建一個大的文檔：
PUT alibaba_dense_large_text/_doc/1
{
"inference_field": "
阿里巴巴集團簡介
阿里巴巴集團（Alibaba Group）是一家總部位于中國浙江省杭州市的全球知名科技公司，成立于1999年，由馬云及其團隊創建。作為一家以科技驅動為核心的企業，阿里巴巴在電子商務、云計算、金融科技、數字媒體、物流等領域擁有廣泛布局，成為全球互聯網行業的重要參與者。
創立背景與早期發展
阿里巴巴的誕生始于1999年，當時中國的互聯網剛剛興起。馬云和他的團隊懷著通過互聯網賦能中小企業的愿景，推出了全球批發交易市場阿里巴巴網站（Alibaba.com）。最初，這個平臺主要為中小企業提供展示產品和尋找國際買家的機會，幫助中國的制造商走向全球市場。經過幾年發展，阿里巴巴迅速嶄露頭角，成為全球領先的B2B電子商務平臺。
2003年，阿里巴巴推出了面向個人消費者的C2C平臺淘寶網（Taobao），迅速吸引了大量用戶。憑借“免費開店”的模式，淘寶在短時間內與其他電商平臺展開競爭并取得成功。為了增強用戶體驗，阿里巴巴在2004年推出了第三方支付平臺支付寶（Alipay），解決了在線支付的信任問題，這一創新奠定了中國電子商務快速發展的基礎。
業務生態與戰略布局
阿里巴巴通過不斷拓展業務，逐步構建了涵蓋電商、金融、物流和云計算等領域的多元化生態系統。
電子商務領域
作為阿里巴巴的核心業務，電子商務包括淘寶、天貓（Tmall）和全球速賣通（AliExpress）等平臺。其中，淘寶以滿足個人消費者需求為主，天貓則面向品牌和企業，提供高品質的商品和服務。全球速賣通致力于連接海外買家與中國賣家，在國際市場上影響力日益增強。
云計算與大數據
阿里云（Alibaba Cloud）是阿里巴巴集團的核心技術部門，成立于2009年，提供云計算服務、人工智能解決方案和大數據技術支持。如今，阿里云已成為全球領先的云服務提供商，為企業數字化轉型提供支撐。
金融科技
支付寶的母公司螞蟻集團是阿里巴巴金融科技布局的重要組成部分。通過支付寶，阿里巴巴為用戶提供線上支付、理財、貸款等服務，推動了中國無現金社會的發展。
物流與供應鏈
菜鳥網絡（Cainiao Network）成立于2013年，致力于優化物流效率，構建覆蓋全球的智能物流網絡。菜鳥的技術和平臺能力提升了電商物流服務的速度和可靠性。
數字媒體與娛樂
阿里巴巴還在數字媒體領域積極布局，包括優酷、阿里影業和蝦米音樂等，推動內容生態的建設。此外，集團通過投資文化創意產業和拓展體育事業，進一步豐富了品牌內涵。
國際化與創新
近年來，阿里巴巴不斷加快國際化步伐，旨在成為全球消費者與企業的橋梁。集團通過并購和合作，擴展了其在東南亞、歐洲和北美等市場的業務。例如，通過收購Lazada，阿里巴巴增強了其在東南亞地區的電商影響力。
此外，阿里巴巴還積極探索新技術，包括人工智能、區塊鏈和物聯網。這些技術的應用不僅優化了集團的現有業務，還為未來的創新奠定了基礎。
企業文化與社會責任
阿里巴巴的企業文化以“讓天下沒有難做的生意”為核心使命，鼓勵員工創新和協作。馬云強調企業的社會責任，并倡導將資源用于公益事業。例如，阿里巴巴基金會支持環境保護、教育發展和扶貧工作，為社會創造長期價值。
面臨的挑戰與未來展望
盡管阿里巴巴取得了顯著成就，但也面臨著國際競爭加劇、行業監管加強和技術創新壓力等挑戰。為了保持領先地位，阿里巴巴需要在全球范圍內持續創新，同時積極適應不同市場的法規和文化。
展望未來，阿里巴巴將繼續推動科技與商業的融合，助力中小企業和消費者實現更多價值。同時，通過技術研發和全球化布局，阿里巴巴有望在全球數字經濟的發展中扮演更加重要的角色。
結語
作為中國乃至全球最具影響力的互聯網公司之一，阿里巴巴的成長歷程展現了科技對商業模式的深刻變革。通過不斷創新和拓展，阿里巴巴正在為全球經濟注入新的活力，也為無數企業和消費者創造了前所未有的機會。未來，阿里巴巴仍將以技術和商業為驅動，為構建更加便捷和高效的數字化世界而努力。
"
}上面的文章的字數大概在1000個字左右。
我們可以通過如下的方法來查看寫入的文檔：
GET alibaba_dense_large_text/_search
從上面，我們可以看出來，semantic_text 字段自動將一個很長文字的文檔分塊，并分別對它們進行向量化。
本文章轉載微信公眾號@阿里云大數據AI平臺
