最近几个月来，嵌入式已成为大型语言模型（LLM）应用中最重要的组成部分之一。行业细分，如矢量数据库已成为嵌入式架构的驱动机制。然而，嵌入式架构仍处于非常早期阶段，只有少数几家组织成功地在规模上实施了它们。最近，LinkedIn公布了关于他们使用基于嵌入式检索（EBR）技术改进其搜索和推荐系统的一些细节。

那么，什么是EBR？简单来说，它是推荐系统早期阶段使用的一种技术。它扫描大量项目（如职位招聘或动态文章），根据它们与给定请求的相似性来确定其中最相关的项目。可以将其视为在数字空间中找到“附近”项目的过程。一旦确定了这些项目，另一个人工智能模型对它们进行排序，以向用户呈现最相关的项目。

为了简化EBR的使用，领英推出了几个新工具和功能：

1）组合和多任务学习模型

LinkedIn现在支持创建组合模型，将各种目标合并到一个模型中。这加快了学习过程并增强了迁移学习。例如，一个嵌入式表示可能基于用户的个人资料和互动来捕捉其兴趣。这个嵌入式表示然后为搜索和推荐系统提供信息，确保用户看到真正与他们共鸣的内容。

2）Feature Cloud平台

LinkedIn推出了一个名为“Feature Cloud”的平台，将离线和实时的嵌入生成合并起来。该平台利用现有服务并协调各种任务，为在EBR索引和特性存储中使用准备嵌入。Feature Cloud可以用于在LinkedIn的搜索应用程序中提供许多不同类型的嵌入。

3）升级的托管搜索系统

LinkedIn的搜索系统兼容Lucene，现在支持自动嵌入版本管理和一系列的EBR算法。这种适应性在不断发展的EBR世界中至关重要。搜索系统与先前描述的特性云紧密集成。

4）自动嵌入版本管理

保证内容与搜索查询的意图一致至关重要。但管理嵌入版本可能会很复杂。例如，如果团队更新了嵌入模型，即使维度保持一致，它可能与现有的项目嵌入不匹配。LinkedIn的功能云支持对嵌入进行本地版本管理，确保更好地管理其生命周期。

5）模型云用于简化图推理编排

LinkedIn的“模型云”现在支持使用由Ray Serve提供支持的嵌入进行推理图。这简化了推理图的执行，减少了复杂工作流的需求，并确保版本一致性。结果是，AI专家可以更多地专注于提升用户体验，而不必过多关注基础设施管理。

6）提高求职精确度

提升工作搜索的精确性 搜索任务，尤其是工作搜索，需要精确结合用户数据、查询和上下文。在引入EBR之前，LinkedIn的工作搜索主要依赖文本匹配。虽然它提供了结果，但缺乏个性化和语义匹配的深度。通过引入EBR和新工具，LinkedIn提升了其匹配能力，为用户提供了更个性化和准确的工作搜索体验。

从本质上讲，LinkedIn正在推动人工智能和增强现实技术的边界，以确保用户获取最相关的内容，无论是工作推荐、动态内容还是通知。这个平台在不断努力改进和增强用户体验方面展现出创新的承诺。