Ugrás a tartalomra
searchboar.

AI-keresés és láthatóság

Beágyazás (embedding): jelentés, példák és használat

A beágyazás, angolul embedding, egy adat — például szöveg vagy kép — számsorozattal leírt reprezentációja egy modell által létrehozott térben. Hasonló jelentésű tartalmak reprezentációi közel kerülhetnek egymáshoz. A beágyazás nem a szöveg igazságtartalmának pontszáma, és nem azonos a weboldalba illesztett videóval.

Más elnevezések: Embedding

Röviden

  • Az embedding a tartalom számokkal leírt reprezentációja.
  • A közelség a választott modell és hasonlósági mérés szerint értelmezhető.
  • A hasonló vektor nem bizonyít azonos terméket vagy helyes állítást.
Ezen az oldalon
Szövegkártyák pontokká alakulnak egy szemléltető koordinátatérben.
Szemléltető ábra: szövegkártyák pontokká alakulnak egy szemléltető koordinátatérben.

Mire használható a számszerű reprezentáció?

Egy gépi rendszer így össze tudja hasonlítani a kérdést és a dokumentumokat akkor is, ha nem ugyanazokat a szavakat használják. A Google dokumentációja a sűrű szöveges beágyazásokat jelentésbeli kapcsolatok reprezentációjaként ismerteti. Szöveges beágyazások

A szemantikus keresés egyik lehetséges alapja ez. A beágyazás előállítása és a hozzá hasonló rekordok megkeresése viszont két külön lépés.

Miért nem egyszerű szótár?

A vektor nem olyan táblázat, amelyben minden számhoz egy könnyen megnevezhető emberi fogalom tartozik. A szemléltető képen látható két dimenzió egyszerűsítés; egy valódi modell ennél sokkal több értékkel dolgozhat.

Különböző modellek vektorai nem automatikusan összehasonlíthatók. A nyelv, a feldolgozott szöveg és a modell beállítása is számít. Egy modellcsere ezért az adatállomány újrafeldolgozását is szükségessé teheti, nem pusztán egy név átírását.

Példa: ügyfélnyelv és szaknyelv

Egy képzeletbeli árnyékolástechnikai tudástárban a „nyáron túlmelegszik a szoba” kérdés kapcsolódhat a külső árnyékolásról szóló útmutatóhoz. A kapcsolat akkor is hasznos lehet, ha a cím nem ismétli a kérdés szavait.

Ettől még nem következik, hogy minden szobában ugyanaz a megoldás megfelelő. A vektoros közelség lehetséges témakapcsolatot ad; az épületre vonatkozó döntéshez további adatok szükségesek. A példa a keresés elvét szemlélteti.

Mit nem lehet kiolvasni belőle?

Egy hasonlósági érték nem százalékos bizonyosság az állítás igazságáról. Egy téves és egy helyes mondat is szólhat ugyanarról a témáról. A vektoros keresés találata ezért nem kész tényellenőrzés.

Pontos típuskódnál vagy ritka névnél a hibrid keresés másfajta egyezést is bevonhat. Az eredményt valós kérdésekkel érdemes ellenőrizni, nem pusztán a vektorméretből következtetni a minőségére.

Források

  1. Google Cloud: Szöveges embeddingek