EmbeddingGemma 2؛ جست‌وجوی هوشمند متن، عکس، ویدیو و صدا روی خود گوشی

وقتی در گالری گوشی‌ات «ساحل» را جست‌وجو می‌کنی و عکس‌های دریا پیدا می‌شوند، پشت صحنه از تکنیکی به اسم امبدینگ استفاده شده است. گوگل در ۱۴ مهر ۱۴۰۵ نسخه دوم مدل سبک امبدینگ خود را منتشر کرد: EmbeddingGemma 2؛ مدلی که برای اولین بار در این خانواده، متن، کد، تصویر، ویدیو و صدا را در یک فضای مشترک قرار می‌دهد.

امبدینگ به زبان ساده#

مدل امبدینگ هر محتوا را به یک لیست عدد (بردار) تبدیل می‌کند. ترفند اصلی این است که محتواهای هم‌معنی، بردارهای نزدیک به هم پیدا می‌کنند. مثلاً:

• جمله «گربه روی مبل خوابیده»
• عکس یک گربه روی کاناپه
• صدای کسی که می‌گوید «گربه‌ام همیشه روی مبل می‌خوابد»

اگر مدل چندرسانه‌ای باشد، این سه در فضای برداری نزدیک هم قرار می‌گیرند. نتیجه: می‌توانی با یک نوع محتوا، نوع دیگری را پیدا کنی.

EmbeddingGemma 2 در یک نگاه: مشخصات فنی#

یک ورودی تک‌رسانه‌ای می‌تواند تقریباً ۵٫۵ دقیقه صدا، ۲۹ تصویر یا ۵۸ فریم ویدیو باشد.

چرا «روی دستگاه» مهم است؟#

گوگل این مدل را برای اجرا روی گوشی و کامپیوتر شخصی بهینه کرده است. سه مزیت:

1. حریم خصوصی: عکس‌ها، صداها و اسنادت از دستگاه خارج نمی‌شوند.
2. بدون اینترنت: جست‌وجو حتی با اینترنت قطع یا ضعیف کار می‌کند؛ موضوعی که برای کاربر ایرانی ارزش ویژه دارد.
3. هزینه صفر سرور: برای برنامه‌نویس‌ها یعنی نیازی به پرداخت هزینه API برای هر جست‌وجو نیست.

کاربردهای واقعی#

• پیدا کردن کلیپ با یادداشت صوتی: «اون ویدیویی که توش کیک تولد بود».
• جست‌وجو در ساعت‌ها ضبط صدا با یک جمله متنی؛ مثلاً در جلسه‌ها یا کلاس‌های ضبط‌شده.
• سیستم‌های RAG: پیدا کردن بخش‌های مرتبط اسناد قبل از اینکه به یک مدل زبانی داده شوند.
• فروشگاه آنلاین: مشتری عکس محصول را آپلود می‌کند و محصولات مشابه پیدا می‌شوند.
• گالری هوشمند بدون ارسال عکس‌ها به ابر.

نکته فنی: Matryoshka#

با روش Matryoshka Representation Learning می‌توانی ابعاد بردار را از ۷۶۸ تا ۱۲۸ کم کنی. ابعاد کمتر یعنی حافظه و سرعت بهتر با کمی افت دقت؛ مناسب گوشی‌های ضعیف‌تر یا پایگاه‌داده‌های بسیار بزرگ.

EmbeddingGemma 2 و زبان فارسی#

گوگل پشتیبانی از بیش از ۱۰۰ زبان را اعلام کرده و فارسی هم در خانواده Gemma معمولاً پوشش داده می‌شود؛ ولی کیفیت جست‌وجوی معنایی فارسی را باید با داده خودت سنجید. چند نکته عملی:

• یکسان‌سازی متن: قبل از ساختن بردار، «ي» و «ك» عربی را به «ی» و «ک» فارسی تبدیل کن و نیم‌فاصله‌ها را یکدست کن. همین کار ساده دقت جست‌وجو را بالا می‌برد.
• پرسش و سند با یک قالب: اگر سندها را با پیشوند یا قالب خاصی امبد می‌کنی، پرسش کاربر را هم با همان قالب امبد کن.
• با ۷۶۸ بعد شروع کن: اول با بیشترین ابعاد دقت را بسنج، بعد اگر سرعت یا حافظه مشکل بود، به ۲۵۶ یا ۱۲۸ کم کن و افت دقت را اندازه بگیر.
• ترکیب با جست‌وجوی کلیدواژه‌ای: برای اسم‌های خاص مثل نام محصول یا کد سفارش، جست‌وجوی معمولی هنوز دقیق‌تر است. بهترین سیستم‌ها هر دو را با هم استفاده می‌کنند.

برای ساختن یک سیستم RAG کامل، این مدل را می‌توانی کنار یک مدل زبانی محلی یا ابری بگذاری؛ مفاهیم پایه‌اش را در توکن و پنجره کانتکست توضیح داده‌ایم.

جمع‌بندی#

EmbeddingGemma 2 جست‌وجوی «معنایی» و چندرسانه‌ای را به دستگاه‌های شخصی آورده است: سبک، رایگان، چندزبانه و آفلاین. برای برنامه‌نویس‌هایی که اپ جست‌وجو، گالری یا سیستم RAG می‌سازند، یکی از مهم‌ترین انتشارهای این ماه است. برای آشنایی با مدل‌های سبک دیگر، راهنمای مدل‌های هوش مصنوعی محلی و مقاله مدل‌های تصمیم‌گیر را ببین.

منابع#

• Unite.AI: EmbeddingGemma 2
• YourStory: EmbeddingGemma 2, Google's tiny AI model for multimodal search
• Unsloth docs: EmbeddingGemma 2