Por exemplo, temos um conjunto de dados de móveis nos quais classificamos nossos itens em que tipo de mobiliário eles são: mesas, cadeiras, lâmpadas, etc. Tentando usar uma similaridade vetorial como uma pesquisa de texto completo pode resultar em uma série deFrustrações, desde os tempos de resposta lentos até os resultados de pesquisa deficientes, a funcionalidade limitada.Nesta perda, o modelo é treinado ajustando as informações de relativa similaridade de 3 objetos: os exemplos âncora, positivos e negativos.Isso pode ser muito amplo, portanto, combinando -o com filtros – uma superpotência de QDRANT -, podemos restringir a pesquisa a uma categoria específica.Por exemplo, a frase exata correspondência e contagem de resultados são nativas da pesquisa de texto completo, enquanto o suporte a similaridade vetorial para esse tipo de operação é limitada.
Fonte: https://qdrant.tech/articles/vector-similarity-beyond-search/
