De invloed van vectordatabases en ophaalmodellen op PR- en contentpublicatie, KI of Content-KI en SEO / SEM

💾🔍 Complexe datasets beheersen: Voordelen van vectordatabases en zoektools

In een tijdperk waarin de hoeveelheid gegenereerde data exponentieel groeit, staan ​​bedrijven en organisaties voor de uitdaging om deze data efficiënt op te slaan, te verwerken en te gebruiken. Twee belangrijke technologieën die in deze context steeds belangrijker worden, zijn vectordatabases en retrievalmodellen. Deze maken het mogelijk om complexe datasets te verwerken en snel en nauwkeurig relevante informatie op te halen.

📈 Vectordatabases

Vectordatabases zijn gespecialiseerde databasesystemen die zijn ontworpen om grote hoeveelheden hoogdimensionale vectorgegevens efficiënt op te slaan, te beheren en op te halen. Deze vectoren vertegenwoordigen numerieke representaties van gegevens die afkomstig kunnen zijn van diverse bronnen, zoals tekst, afbeeldingen, audiobestanden of andere media. Ze worden vaak gegenereerd door machine learning-algoritmen of deep learning-modellen die complexe patronen en kenmerken uit de gegevens extraheren.

Een belangrijk kenmerk van vectordatabases is hun vermogen om de gelijkenis tussen datapunten te meten. Door afstanden of gelijkenismaten tussen vectoren te berekenen, kunnen ze snel de naaste buren van een bepaald datapunt vinden. Dit is met name nuttig in toepassingen zoals aanbevelingssystemen, beeldherkenning of natuurlijke taalverwerking, waar semantische nabijheid tussen objecten belangrijk is.

⚙️ Hoe vectordatabases werken

Het verwerken van hoogdimensionale data brengt uitdagingen met zich mee, met name wat betreft de efficiëntie van zoek- en ophaalbewerkingen. Vectordatabases gebruiken gespecialiseerde algoritmen en datastructuren om deze uitdagingen aan te pakken:

Zoeken naar de dichtstbijzijnde buur

In plaats van exacte afstanden te berekenen, gebruiken ze benaderingsmethoden om de zoektijd te verkorten zonder de nauwkeurigheid significant te beïnvloeden.

Indexeringsstructuren

Datastructuren zoals KD-bomen, R-bomen of hashtabellen worden gebruikt om de zoekruimte effectief te organiseren en snelle toegang mogelijk te maken.

Indelingstrategieën

De gegevensruimte is onderverdeeld in kleinere, beheersbare delen om het zoeken te versnellen.

💡 Toepassingsvoorbeelden van vectordatabases

Aanbevelingssystemen

Door het gedrag en de voorkeuren van gebruikers te analyseren, kunnen gepersonaliseerde aanbevelingen voor producten, films of muziek worden gemaakt.

Zoeken naar afbeeldingen en video's

Kenmerkvectoren kunnen worden gebruikt om visueel vergelijkbare afbeeldingen of video's te identificeren, wat nuttig is in sectoren zoals e-commerce of digitale bibliotheken.

Spraakherkenning en NLP

Vectorrepresentaties van woorden en zinnen maken semantische analyse mogelijk en verbeteren de kwaliteit van vertalingen of tekstsamenvattingen.

Fraudedetectie

Anomalieën in financiële transacties of netwerkactiviteiten kunnen worden opgespoord door vectorpatronen te analyseren.

🔍 Ophaalmodellen

Retrievalmodellen zijn theoretische raamwerken en praktische methoden voor het extraheren van informatie. Ze zijn erop gericht om uit grote datasets de informatie te halen die het meest relevant is voor een bepaalde zoekopdracht. Deze modellen vormen de ruggengraat van zoekmachines, databasesystemen en talloze applicaties die afhankelijk zijn van effectieve informatie-retrieval.

📚 Classificatie van ophaalmodellen

1. Booleaans model

Het Booleaanse model is gebaseerd op de logische combinatie van zoektermen. Het gebruikt operatoren zoals EN, OF en NIET om documenten te identificeren die exact overeenkomen met de zoekcriteria. Hoewel eenvoudig en intuïtief, biedt het geen mogelijkheid om de resultaten te sorteren op relevantie of om de betekenis van termen binnen een document te evalueren.

2. Vectorruimtemodel

Hier worden zowel documenten als zoekopdrachten weergegeven als vectoren in een multidimensionale ruimte. De relevantie van een document wordt bepaald door de gelijkenis van de vector van het document met die van de zoekopdracht, vaak berekend met behulp van cosinusgelijkheid. Dit model maakt een geleidelijke beoordeling van de relevantie mogelijk en houdt rekening met de frequentie en het belang van termen.

3. Probabilistische modellen

Deze modellen beoordelen de waarschijnlijkheid dat een document relevant is voor een specifieke zoekopdracht. Ze zijn gebaseerd op statistische aannames en gebruiken waarschijnlijkheidsverdelingen om onzekerheden en variaties in de gegevens te modelleren.

4. Taalmodellen

Moderne zoeksystemen maken gebruik van taalmodellen die de statistische structuur van taal vastleggen. Hierdoor kan rekening worden gehouden met contextuele informatie en woordrelaties, wat leidt tot nauwkeurigere zoekresultaten.

⚖️ Mechanismen van ophaalmodellen

Indexering

Voordat de daadwerkelijke zoekopdracht wordt uitgevoerd, worden documenten geanalyseerd en wordt een index aangemaakt die snelle toegang tot relevante informatie mogelijk maakt.

*Wegingsfuncties

Termen worden gewogen om hun belang binnen een document en in het gehele corpus weer te geven. Gangbare methoden zijn onder andere termfrequentie (TF) en inverse documentfrequentie (IDF).

Rangschikkingsalgoritmen

Documenten worden gesorteerd en geprioriteerd op basis van wegingen en gelijkenismaatregelen.

🌟 Toepassingsgebieden van zoekmodellen

Webzoekmachines

Ze stellen gebruikers in staat om relevante webpagina's te vinden tussen miljarden documenten.

Wetenschappelijke databases

Ze ondersteunen onderzoekers bij hun zoektocht naar relevante literatuur en informatie.

E-commerceplatforms

Help klanten producten te vinden op basis van zoekopdrachten en voorkeuren.

🔗 Synergieën tussen vectordatabases en zoekmodellen

De combinatie van vectordatabases met geavanceerde zoekmodellen opent nieuwe mogelijkheden voor informatie-retrieval. Terwijl zoekmodellen de theoretische basis bieden voor het beoordelen van relevantie, bieden vectordatabases de technische middelen om deze beoordelingen efficiënt en op grote schaal uit te voeren.

Een praktisch voorbeeld is semantisch zoeken in tekstdata. Door gebruik te maken van embeddings die de betekenis van woorden en zinsdelen in vectoren coderen, kunnen vectordatabases worden gebruikt om semantisch vergelijkbare documenten te identificeren, zelfs als ze niet dezelfde trefwoorden bevatten.

🌐 Actuele ontwikkelingen en trends

Diep leren en neurale netwerken

De introductie van modellen zoals BERT of GPT heeft de mogelijkheden van tekstverwerking en -zoekopdrachten aanzienlijk uitgebreid. Deze modellen genereren contextafhankelijke vectorrepresentaties die diepere semantische relaties vastleggen.

Benaderingsalgoritmen voor grote datasets

Om de groeiende hoeveelheid data bij te kunnen houden, worden steeds vaker benaderingsalgoritmen gebruikt, die een goed compromis bieden tussen nauwkeurigheid en snelheid.

Edge computing en gedecentraliseerde opslag

Doordat de gegevensverwerking steeds meer naar de rand van het netwerk verschuift, worden lichtgewicht en efficiënte vectordatabases steeds belangrijker.

⚠️ Uitdagingen

Vloek van dimensionaliteit

Naarmate de dimensionaliteit van vectoren toeneemt, kunnen zoek- en opslagbewerkingen inefficiënt worden. Voortdurend onderzoek is nodig om dit probleem te verhelpen.

Gegevensbeveiliging en gegevensbescherming

Het opslaan van gevoelige gegevens vereist robuuste beveiligingsmaatregelen en naleving van richtlijnen voor gegevensbescherming.

Interpreteerbaarheid

Complexe modellen kunnen leiden tot resultaten die moeilijk te interpreteren zijn. Transparantie is daarom belangrijk, met name bij kritische toepassingen.

🔮 Progressieve integratie

De toenemende integratie van AI en machine learning in vectordatabases en zoekmodellen zal onze interactie met informatie verder veranderen. Verwachte ontwikkelingen zijn onder meer:

Verbeterde personalisatie

Gedetailleerdere gebruikersprofielen en gedragsanalyses stellen systemen in staat om nog persoonlijkere aanbevelingen te doen.

Realtime analyses

Door de toenemende rekenkracht worden directe analyses en antwoorden op complexe vragen mogelijk.

Multimodale gegevensverwerking

De gelijktijdige verwerking van tekst, afbeeldingen, audio en video leidt tot uitgebreidere en rijkere zoekresultaten.

🧩 Fundamentele technologieën in moderne dataverwerking en -analyse

Vectordatabases en ophaalmodellen zijn fundamentele technologieën in de moderne dataverwerking en -analyse. Ze maken het mogelijk om de enorme hoeveelheid beschikbare informatie te benutten en relevante gegevens efficiënt op te halen. Met de snelle technologische vooruitgang en de steeds toenemende hoeveelheid data zullen ze een sleutelrol blijven spelen in vele vakgebieden, van wetenschap en gezondheidszorg tot het dagelijks leven van mensen.

📣 Soortgelijke onderwerpen

• 🌐 Revolutie in gegevensverwerking: Ontdek vectordatabases
• 🔍 Efficiënte informatieopvraging dankzij ophaalmodellen
• 📊 Vectordatabases als sleutel tot Big Data
• 🤖 AI-integratie in vectordatabases: een baanbrekende ontwikkeling
• 🧩 De rol van zoekmodellen in het digitale tijdperk
• 🚀 Trending technologieën: Van deep learning tot edge computing
• 🔒 Gegevensbeveiliging en toekomstige uitdagingen
• 🎯 Van theorie naar praktijk: Toepassingen van vectordatabases
• 📡 Realtime analyses voor de wereld van morgen
• 📈 Benaderingsalgoritmen: snel en nauwkeurig

#️⃣ Hashtags: #VectorDatabases #RetrievalSystems #DeepLearning #BigData #ArtificialIntelligence

Profiteer van de uitgebreide, vijfvoudige expertise van Xpert.Digital in een uitgebreid servicepakket | R&D, XR, PR & Optimalisatie van digitale zichtbaarheid - Afbeelding: Xpert.Digital

Xpert.Digital heeft diepe kennis in verschillende industrieën. Dit stelt ons in staat om op maat gemaakte strategieën te ontwikkelen die zijn afgestemd op de vereisten en uitdagingen van uw specifieke marktsegment. Door continu markttrends te analyseren en de ontwikkelingen in de industrie na te streven, kunnen we handelen met vooruitziende blik en innovatieve oplossingen bieden. Met de combinatie van ervaring en kennis genereren we extra waarde en geven onze klanten een beslissend concurrentievoordeel.

Meer hierover hier:

• Gebruik de 5 -voudig competentie van Xpert.Digital in één pakket - van 500 €/maand

🚀 Invloed op PR en contentpublicatie

De PR-sector en contentpublicatie staan ​​voor nieuwe uitdagingen en kansen dankzij vectordatabases en zoekmodellen. "De mogelijkheid om content precies af te stemmen op de interesses en behoeften van de doelgroep is belangrijker dan ooit." Door gebruikersgedrag en -voorkeuren te analyseren, kunnen PR-strategieën worden ontwikkeld die leiden tot hogere engagementpercentages en betere conversieratio's.

Contentuitgevers kunnen deze technologieën gebruiken om content te creëren die niet alleen relevant, maar ook gepersonaliseerd is. Vectordatabases maken het mogelijk om onderwerpen en trends in realtime te identificeren en erop te reageren. Dit leidt tot een dynamischere en effectievere contentstrategie die de lezer direct aanspreekt.

✍️ Verhoogde efficiëntie bij het creëren van content

Traditionele contentcreatie was vaak een handmatig proces waarbij mensen onderzoek deden, schreven en content publiceerden. Vectordatabases en de bijbehorende AI-technologieën hebben dit proces radicaal vereenvoudigd. Moderne AI-modellen voor contentcreatie zijn in staat om automatisch content te genereren op basis van query's in vectordatabases, die zowel semantisch relevant als contextgevoelig is. Deze technologie stelt contentmakers in staat sneller in te spelen op actuele onderwerpen en trends door relevante informatie automatisch samen te vatten en te presenteren.

Een voorbeeld hiervan is het schrijven van persberichten of blogposts. Door gebruik te maken van vectordatabases kunnen AI-systemen vergelijkbare content identificeren en op basis daarvan nieuwe teksten creëren die qua stijl en thema aansluiten bij de originele content. Dit verhoogt de efficiëntie en de reactiesnelheid bij het publiceren van content aanzienlijk.

🔍 Personalisatie van PR-berichten

Een ander aspect dat verbeterd wordt door het gebruik van vectordatabases is de personalisatie van PR-berichten. Retrievalmodellen stellen PR-professionals in staat om gedetailleerd inzicht te krijgen in het gedrag en de interesses van hun doelgroepen. Deze gegevens kunnen worden gebruikt om op maat gemaakte berichten te creëren die effectief de aandacht van de gewenste doelgroepen trekken. De mogelijkheid om individuele voorkeuren en gedragingen te analyseren leidt tot een betere doelgroepbepaling en verhoogt de kans op succesvolle PR-campagnes.

🤖 Rol in kunstmatige intelligentie en content-AI

Kunstmatige intelligentie profiteert aanzienlijk van vectordatabases en retrievalmodellen. Deze technologieën zijn onmisbaar, met name op het gebied van natuurlijke taalverwerking (NLP) en machinaal leren. AI-systemen kunnen "betekenisvolle verbanden tussen verschillende datasets herkennen en daarvan leren".

Content-AI, oftewel AI die content genereert of optimaliseert, gebruikt deze technologieën om hoogwaardige en relevante content te creëren. Door context en semantiek te begrijpen, kunnen AI-systemen teksten schrijven die opmerkelijk dicht bij de menselijke taal komen. Dit opent nieuwe mogelijkheden voor geautomatiseerde contentmarketing en gepersonaliseerde communicatie.

🤖 AI in contentpublicatie

Op AI gebaseerde tools en systemen zijn een integraal onderdeel geworden van moderne contentpublicatie. Ze helpen niet alleen om content efficiënter te creëren, maar ook om die content strategisch te verspreiden. Vectordatabases en zoekmodellen spelen hierin een cruciale rol, omdat ze AI-systemen in staat stellen grote hoeveelheden content te doorzoeken en de meest relevante informatie te vinden.

⚙️ Automatisering van contentdistributie

Automatisering van contentdistributie is een ander gebied waar vectordatabases en AI-technologieën een ingrijpende verandering teweegbrengen. Voorheen moest content handmatig over verschillende platforms worden verspreid, een tijdrovend en foutgevoelig proces. Tegenwoordig kunnen AI-systemen contentdistributie automatiseren door data uit vectordatabases te gebruiken om te bepalen welke platforms en doelgroepen het meest geschikt zijn voor specifieke content. Deze automatisering zorgt niet alleen voor een snellere distributie, maar ook voor een groter bereik en een hogere effectiviteit van PR- en marketingcampagnes.

📊 Contentaanbevelingen en personalisatie

Een andere toepassing van vectordatabases in contentpublicatie is het personaliseren van contentaanbevelingen. Door gebruikersgedrag en interesses te analyseren, kunnen AI-systemen content suggereren die specifiek interessant is voor individuele gebruikers. Dit verhoogt de betrokkenheid en verbetert de gebruikerservaring aanzienlijk. Websites en platformen zoals Netflix, Amazon en YouTube gebruiken al jaren vergelijkbare technologieën om hun aanbevelingsalgoritmes te optimaliseren, en dezelfde logica kan worden toegepast op contentpublicatie in het algemeen.

🔍 Impact op SEO en SEM

Semantisch zoeken is steeds belangrijker geworden in SEO. Zoekmachines zoals Google gebruiken geavanceerde zoekmodellen om de intentie achter een zoekopdracht te begrijpen. "De tijd dat keyword stuffing tot succes leidde, is voorbij." In plaats daarvan is de intentie van de gebruiker van het grootste belang en moet content toegevoegde waarde bieden om hoger in de zoekresultaten te komen.

Vectordatabases stellen zoekmachines in staat om resultaten te leveren die niet alleen gebaseerd zijn op zoekwoorden, maar ook op de volledige context. Voor SEO-experts betekent dit dat een holistische benadering van contentcreatie vereist is (holistische SEO) . De content moet thematisch relevant, informatief en afgestemd zijn op de behoeften van de doelgroep.

Binnen SEM kunnen advertentiecampagnes nauwkeuriger worden gericht door de analyse van gebruikersgegevens. Door inzicht te krijgen in het gedrag en de voorkeuren van gebruikers, kunnen relevantere advertenties worden weergegeven die daardoor beter presteren.

🌐 Zoekmachines: Strategieën en optimalisatie

Zoekmachineoptimalisatie (SEO) en zoekmachinemarketing (SEM) zijn twee van de belangrijkste onderdelen van digitale marketing. Ze zijn erop gericht de zichtbaarheid van een website in zoekresultaten te vergroten om zo meer verkeer te genereren. Hier komen vectordatabases en retrievalmodellen in beeld, omdat ze de manier veranderen waarop zoekmachines content analyseren en evalueren.

🔎 Semantisch zoeken en de rol van retrievalmodellen

Een van de belangrijkste ontwikkelingen in SEO is semantisch zoeken, waarbij zoekmachines niet langer alleen naar zoekwoorden zoeken, maar ook de context en betekenis achter een zoekopdracht begrijpen. Vectordatabases en retrievalmodellen spelen hierin een centrale rol, omdat ze zoekmachines in staat stellen content semantisch te analyseren en relevantere resultaten te leveren. Bedrijven die deze technologie gebruiken, kunnen hun content beter afstemmen op de behoeften en zoekopdrachten van hun doelgroepen en zo hun SEO-ranking verbeteren.

Door semantische overeenkomsten tussen content te herkennen, zorgen vectordatabases en zoekmodellen ervoor dat content prominenter in zoekresultaten verschijnt wanneer deze aansluit bij de daadwerkelijke zoekintentie van de gebruiker. Dit leidt tot een betere zichtbaarheid en een grotere kans dat gebruikers op de content klikken en deze bekijken.

💡 SEM-campagnes optimaliseren

Vectordatabases kunnen ook aanzienlijke voordelen bieden in zoekmachinemarketing (SEM). Door gebruikersinteracties en zoekopdrachten te analyseren, kunnen deze databases patronen en trends identificeren die gebruikt kunnen worden om SEM-campagnes te optimaliseren. Hierdoor kunnen bedrijven beter begrijpen welke zoekwoorden en advertentieteksten het meest effectief zijn en hun campagnes daarop aanpassen. Dit leidt tot een hogere efficiëntie en een beter rendement op investering (ROI) voor SEM-campagnes.

📣 Soortgelijke onderwerpen

• 📊 Vectordatabases: De toekomst van PR en contentpublicatie
• 🤖 AI-revolutie door middel van vectorherstelmodellen
• 📝 Contentpersonalisatie met AI en vectordatabases
• 🔍 Semantisch zoeken in het SEO-tijdperk
• 🎯 Gerichte SEM dankzij analyse van gebruikersgegevens
• 📚 Realtime onderwerpanalyse voor dynamische publicaties
• 🧠 NLP en machine learning: De AI-turbocompressor
• 🚀 Geautomatiseerde contentmarketing met content-AI
• 🌐 Holistische contentstrategieën in digitale marketing
• 📈 Hogere betrokkenheidspercentages dankzij gepersonaliseerde PR-strategieën

#️⃣ Hashtags: #VectorDatabases #ArtificialIntelligence #ContentMarketing #SEO #Personalisatie

🧩 Een retrievalmodel kan worden gezien als een systeem dat helpt bij het vinden van relevante informatie in een grote hoeveelheid ongesorteerde data. Hier zijn enkele basisconcepten die een beginner kunnen helpen het principe te begrijpen:

🌟 Basisprincipes

Doorzoek datasets

Een retrievalmodel werkt met een grote hoeveelheid data om relevante informatie over een specifiek onderwerp te vinden.

Evalueer informatie

Het beoordeelt de gevonden informatie op relevantie en belang.

⚙️ Hoe werkt een retrievalmodel?

Indexering

Allereerst worden de documenten opgeslagen en geïndexeerd in een database. Dit betekent dat ze in een gestructureerd formaat worden opgeslagen, zodat ze gemakkelijk doorzoekbaar zijn.

Queryverwerking

Wanneer een zoekopdracht binnenkomt, wordt deze omgezet in een formaat dat vergeleken kan worden met de opgeslagen documenten.

Matchen en rangschikken

Het model vergelijkt de zoekopdracht met de documenten en beoordeelt hun relevantie. De meest relevante resultaten worden vervolgens aan de gebruiker getoond.

🔄 Diverse modellen

Booleaans model

Gebruik logische operatoren zoals "en", "of" en "niet" om documenten te vinden. De resultaten worden niet gerangschikt.

Vectorruimtemodel

Representeert documenten en zoekopdrachten als vectoren in een ruimte. De gelijkenis wordt bepaald door de hoek tussen de vectoren, waardoor een rangschikking van de resultaten mogelijk is.

Probabilistisch model

Berekent de waarschijnlijkheid dat een document relevant is. De resultaten worden gesorteerd op basis van deze waarschijnlijkheid.

🔍 Toepassingsvoorbeeld

Zoekmachines zoals Google gebruiken ophaalmodellen om websites te crawlen en relevante resultaten te leveren voor zoekopdrachten. Ze gebruiken vaak hybride modellen die verschillende benaderingen combineren om de efficiëntie en nauwkeurigheid te verbeteren.

Deze modellen zijn cruciaal voor het functioneren van informatiesystemen en helpen gebruikers om snel toegang te krijgen tot relevante informatie.

⚙️ Vectordatabases bieden diverse voordelen ten opzichte van traditionele databasemodellen, met name in de context van toepassingen die gebruikmaken van kunstmatige intelligentie en machine learning:

1. 📊 Efficiënte verwerking van hoogdimensionale data

Vectordatabases zijn geoptimaliseerd voor het efficiënt opslaan en verwerken van hoogdimensionale data. Ze maken de snelle uitvoering van complexe wiskundige bewerkingen mogelijk, zoals vectorvergelijkingen en aggregaties.

2. 🔍 Semantisch zoeken

In tegenstelling tot traditionele databases die afhankelijk zijn van exacte overeenkomsten, maken vectordatabases semantisch zoeken mogelijk. Hierbij wordt gezocht naar informatie op basis van betekenis en context, wat leidt tot relevantere resultaten.

3. 📈 Schaalbaarheid

Vectordatabases zijn zeer schaalbaar en kunnen grote hoeveelheden vectorgegevens verwerken. Ze kunnen horizontaal worden opgeschaald over meerdere servers, waardoor ze ideaal zijn voor grote datasets.

4. ⚡ Snelle zoektijden

Dankzij gespecialiseerde indexerings- en zoekalgoritmen bieden vectordatabases razendsnelle zoektijden, zelfs met grote datasets. Dit is met name belangrijk voor realtime-toepassingen.

5. 📑 Ondersteuning voor diverse gegevenstypen

Vectordatabases kunnen verschillende gegevenstypen, zoals tekst, afbeeldingen, audio en video, omzetten in vector-embeddings, waardoor uniforme analyses mogelijk worden.

Deze voordelen maken vectordatabases bijzonder geschikt voor toepassingen in kunstmatige intelligentie en machinaal leren, waar ze kunnen bijdragen aan het verbeteren van de nauwkeurigheid en efficiëntie.

☑️ Branche-expert, hier met zijn eigen Xpert.Digital brancheplatform met meer dan 2.500 specialistische artikelen

Konrad Wolfenstein

Ik help u graag als een persoonlijk consultant.

U kunt contact met mij opnemen door het onderstaande contactformulier in te vullen of u gewoon bellen op +49 89 674 804 (München) .

Ik kijk uit naar ons gezamenlijke project.

Xpert.Digital is een hub voor de industrie met een focus, digitalisering, werktuigbouwkunde, logistiek/intralogistiek en fotovoltaïsche.

Met onze 360 ​​° bedrijfsontwikkelingsoplossing ondersteunen we goed bekende bedrijven, van nieuwe bedrijven tot na verkoop.

Marktinformatie, smarketing, marketingautomatisering, contentontwikkeling, PR, e -mailcampagnes, gepersonaliseerde sociale media en lead koestering maken deel uit van onze digitale tools.

U kunt meer vinden op: www.xpert.Digital - www.xpert.solar - www.xpert.plus