VERSES AI Inc. a annoncé le dépôt d'une demande de brevet provisoire représentant une nouvelle méthode d'interrogation prédictive sur les bases de données de documents vectoriels. L'interrogation probabiliste est une approche de l'interrogation des bases de données qui vise à fournir à l'utilisateur des informations supplémentaires "prédites" susceptibles de l'intéresser, compte tenu du contexte implicite de l'interrogation et de son prompteur. La nouvelle méthode d'interrogation prédictive de VERSES s'attaque aux limites de l'art antérieur en fournissant un système permettant d'effectuer des interrogations probabilistes sur la classe de bases de données la plus avancée : les bases de données de documents à graphe vectoriel.

L'interrogation prédictive fonctionne sur des bases de données de documents vectoriels en mettant en œuvre le langage de modélisation hyperspatiale (HSML) et un algorithme d'inférence pour générer un résultat probabiliste et contextualisé. La méthode d'interrogation prédictive est la première méthode d'interrogation qui permet l'interrogation probabiliste des bases de données de documents vectoriels. Elle permet à un moteur de générer des prédictions riches sur les informations recherchées par l'utilisateur sur la base d'informations comparatives, de relations et de similitudes. Les graphes de connaissances représentent des entités - toute "chose" physique ou conceptuelle sur laquelle on peut avoir des informations dans le monde réel (par exemple, un robot, un canapé, un point de repère dans l'espace, une spécification d'activité) - et les relations qui existent entre elles.

HSML est un langage de modélisation permettant de qualifier les relations entre les entités d'un graphe de connaissances. Une base de données de documents vectoriels HSML est structurée comme un graphe de connaissances HSML et permet la recherche d'informations à l'aide de requêtes complexes qui peuvent simultanément impliquer la comparaison d'entités (par exemple, "trouver des personnes plus âgées que Steve"), l'identification de relations de cause à effet (par exemple, "qui est le manager de Steve" ?), ainsi que l'évaluation de la similarité entre les entités (par exemple, "quels employés ont un niveau d'études le plus proche de celui de Steve" ?) Par rapport aux bases de données de documents vectoriels, les autres classes de bases de données se limitent à la recherche comparative, à la recherche de relations ou à la recherche de similarités.

Grâce à cette nouvelle méthode d'interrogation prédictive sur les bases de données de documents vectoriels, VERSES renvoie la correspondance la plus probable et la plus pertinente par rapport à l'objectif implicite de l'utilisateur (par exemple, en déduisant et en renvoyant la marque, le modèle et le lieu les plus probables pour une recherche de "lunettes de soleil bon marché", ainsi que les meilleures offres de vêtements de cyclisme correspondant au style des lunettes de soleil).