In breve
Un embedding è un modo di trasformare un pezzo di contenuto - una parola, una frase, un'immagine, un estratto di codice - in un elenco di numeri (un vettore) che cattura il suo significato, perché un computer confronti significati matematicamente. Contenuti dal significato vicino ricevono vettori vicini gli uni agli altri, contenuti senza legame atterrano lontano. È tutto l'artificio: appena il significato è un insieme di coordinate, "trova il passaggio più pertinente" diventa "trova i vettori più vicini", cosa che una macchina fa istantaneamente su milioni di voci. Gli embedding sono il motore silenzioso dietro la ricerca semantica, le raccomandazioni, il clustering e soprattutto il Retrieval-Augmented Generation (RAG).
Come un embedding cattura il significato
Un modello di embedding legge il tuo input e produce un vettore di lunghezza fissa, spesso da qualche centinaio a qualche migliaio di numeri. È stato addestrato perché input in un contesto simile ottengano vettori simili, così "auto" e "automobile" atterrino vicini, ma non "auto" e "banana". Non leggi mai i numeri tu stesso, li confronti.
- Input: qualsiasi testo, immagine o codice che vuoi rendere cercabile per significato.
- Output: un vettore - un elenco di numeri di lunghezza fissa - che rappresenta quel significato.
- Confronto: la vicinanza di due vettori (similarità coseno) mostra quanto gli input sono legati.
Embedding e RAG
Gli embedding sono ciò che rende possibile il RAG. Fai l'embedding di ogni sezione dei tuoi documenti una volta e archivi i vettori in un database vettoriale. Al momento della query, fai l'embedding della domanda dell'utente con lo stesso modello, trovi i vettori di sezione più vicini e dai queste sezioni al modello di linguaggio come contesto. Poiché il hit passa attraverso il significato e non le parole chiave esatte, anche una domanda formulata in altro modo trova il passaggio giusto.
Dove si usano gli embedding
Oltre al RAG, gli embedding alimentano la ricerca semantica (ordinata per significato, non per parole chiave), le raccomandazioni ("altri come questo"), la deduplicazione, il clustering e la classificazione. Per chi costruisce, il punto pratico è questo: un solo passo di embedding trasforma un contenuto umano non strutturato in qualcosa che puoi cercare, raggruppare ed elaborare in modo affidabile. È per questo che quasi ogni funzione di IA che tocca i tuoi dati inizia col farne l'embedding.