作者：来自 Elastic piotrprz
我希望在假期里，你们也在吃健康的东西，而不只是甜蛋糕 
假设你想提前买一些水果，你可能不知道所有的名字，也可能不知道你实际上想吃哪种水果，商店的库存里有很多东西，或者（就像我一样）你在国外过假期。
这里可以帮上忙的是一个不错的、低成本、多语言的语义搜索。
如果你在使用 Elastic Cloud Serverless，你可以依赖其中的很多东西，这些在一两年前并不一定具备，比如 semantic_text、EIS ( Elastic Inference Service )，或者来自 Jina 的多语言密集向量模型，它在 EIS 中默认启用，不需要让你的 GPU 吃力，也不需要你提前规划 ML 节点。
更多阅读：Elasticsearch：使用推理端点及语义搜索演示
假设商店用来保存库存的索引真的非常、非常简单（为了简单起见，我们跳过名称、SKU 和其他内容）。
markdown
`
1. PUT inventory
2. {
3. "mappings": {
4. "properties": {
5. "item": {
6. "type": "semantic_text",
7. "inference_id": ".jina-embeddings-v3"
8. }
9. }
10. }
11. }
`AI写代码然后，让我们用一些可以购买的商品来填充它：
bash
`
1. POST inventory/_bulk?refresh=true
2. { "index": { } }
3. { "item": "cherries 🍒" }
4. { "index": { } }
5. { "item": "train 🚆" }
6. { "index": { } }
7. { "item": "bananas 🍌" }
8. { "index": { } }
9. { "item": "computer 💻" }
10. { "index": { } }
11. { "item": "apple 🍎" }
12. { "index": { } }
13. { "item": "framboises 🍓" }
14. { "index": { } }
15. { "item": "der Apfel 🍏" }
16. { "index": { } }
17. { "item": "tomato 🍅" }
18. { "index": { } }
19. { "item": "das Auto 🚗" }
20. { "index": { } }
21. { "item": "bicycle 🚲" }
22. { "index": { } }
23. { "item": "naranjas 🍊" }
`AI写代码请注意，在库存中我们保存了来自所有部门的商品，而且它们使用 English、 French、 German 和 Spanish。
在我们运行 POST inventory/_search 之后，应该可以以随机顺序看到所有商品。
但是，当我想吃一些水果时，在 Polish 中是 "owoce"（顺便说一下这是复数 BTW），那么我所需要的只是：
json
`
1. POST inventory/_search
2. {
3. "query": {
4. "match": {
5. "item": "owoce" // this stands for "fruit" in Polish
6. }
7. }
8. }
`AI写代码我们得到的返回结果如下：
bash
`
1. {
2. "took": 251,
3. "timed_out": false,
4. "_shards": {
5. "total": 3,
6. "successful": 3,
7. "skipped": 0,
8. "failed": 0
9. },
10. "hits": {
11. "total": {
12. "value": 11,
13. "relation": "eq"
14. },
15. "max_score": 0.6704586,
16. "hits": [
17. {
18. "_index": "inventory",
19. "_id": "8EtNK5sBRerpcHC7zVrq",
20. "_score": 0.6704586,
21. "_source": {
22. "item": "cherries 🍒"
23. }
24. },
25. {
26. "_index": "inventory",
27. "_id": "9EtNK5sBRerpcHC7zVrr",
28. "_score": 0.6327668,
29. "_source": {
30. "item": "apple 🍎"
31. }
32. },
33. {
34. "_index": "inventory",
35. "_id": "-ktNK5sBRerpcHC7zVrr",
36. "_score": 0.61157316,
37. "_source": {
38. "item": "naranjas 🍊"
39. }
40. },
41. {
42. "_index": "inventory",
43. "_id": "8ktNK5sBRerpcHC7zVrr",
44. "_score": 0.6047706,
45. "_source": {
46. "item": "bananas 🍌"
47. }
48. },
49. {
50. "_index": "inventory",
51. "_id": "9UtNK5sBRerpcHC7zVrr",
52. "_score": 0.60331476,
53. "_source": {
54. "item": "framboises 🍓"
55. }
56. },
57. {
58. "_index": "inventory",
59. "_id": "9ktNK5sBRerpcHC7zVrr",
60. "_score": 0.5917518,
61. "_source": {
62. "item": "der Apfel 🍏"
63. }
64. },
65. {
66. "_index": "inventory",
67. "_id": "90tNK5sBRerpcHC7zVrr",
68. "_score": 0.5634274,
69. "_source": {
70. "item": "tomato 🍅"
71. }
72. },
73. {
74. "_index": "inventory",
75. "_id": "-UtNK5sBRerpcHC7zVrr",
76. "_score": 0.50522983,
77. "_source": {
78. "item": "bicycle 🚲"
79. }
80. },
81. {
82. "_index": "inventory",
83. "_id": "80tNK5sBRerpcHC7zVrr",
84. "_score": 0.5001138,
85. "_source": {
86. "item": "computer 💻"
87. }
88. },
89. {
90. "_index": "inventory",
91. "_id": "-EtNK5sBRerpcHC7zVrr",
92. "_score": 0.48864484,
93. "_source": {
94. "item": "das Auto 🚗"
95. }
96. }
97. ]
98. }
99. }
`AI写代码收起代码块这告诉我们几件事情：
- 与几年前和早期版本相比，现在创建和运行语义搜索要简单得多；将 semantic_text 和运行在 EIS 中的 models 结合起来让事情变得非常容易：不需要安装模型，不需要担心容量规划，也不需要多次网络往返来获取 embeddings（无论是存储还是搜索），等等。
- 如果你有一个 multi-language 模型，那会非常有帮助，并且可以节省翻译工作。
- 我们知道 tomato
是一种水果，但也许我们不应该把它加到水果沙拉里 :slight_smile
今天就到这里。我祝你有一个健康的饮食和健康的集群 :slight_smile: