== Advanced Phase

= Опис
Имплементација на систем за препораки базиран на AI embeddings користејќи pgvector екстензија за PostgreSQL. Секоја активност, услуга и опрема добива своја векторска репрезентација (embedding) на нејзиниот опис, а системот наоѓа математички слични записи преку cosine similarity.
= Како функционира?
Основната идеја е дека текстот (опис на активност, услуга или опрема) се претвора во вектор — листа од броеви каде секој број го претставува значењето на зборот во тој текст. Колку се векторите поблиску математички, толку се посличните записи.

{{{ Опис на запис → AI модел → Vector [0.23, 0.89, ...] → Слични записи }}}

= Чекори

* '''Чекор 1'''
Инсталација на pgvector во Docker контејнерот и активирање на екстензијата во PostgreSQL

{{{ docker exec -it camping-postgres bash -c \ "apt-get update && apt-get install -y postgresql-16-pgvector" }}}

{{{ CREATE EXTENSION IF NOT EXISTS vector; }}}
* '''Чекор 2'''
На табелите Activity, Service и Equipment се додава нова колона од тип vector(384). Димензијата 384 одговара на моделот all-MiniLM-L6-v2 кој се користи за генерирање на embeddings..
* '''Чекор 3'''
Embeddings се генерираат преку Python скрипта која користи sentence-transformers библиотека.
* '''Чекор 4'''
За брзо пребарување по сличност се креираат ivfflat индекси. Со ivfflat индекс векторите се групираат во кластери и се пребарува само во најблиските — многу побрзо.
* '''Чекор 5'''
Се креираат PostgreSQL функции кои примаат вектор и враќаат N најслични записи сортирани по cosine similarity.