Glosář

Vektor vnoření (embedding)

Co je Vektor vnoření (embedding)?

Vektor vnoření (embedding) je seznam čísel, který vyjadřuje význam slova, věty nebo dokumentu tak, že texty s podobným obsahem leží blízko sebe. Díky tomu lze rozpoznat například to, že „výpověď“ a „ukončení smlouvy“ spolu souvisejí, přestože nemají společná slova. Embeddingy jsou základem mnoha systémů sémantického vyhledávání, doporučovacích služeb a aplikací RAG; počítají je speciálně natrénované modely.

Jak pomáhá KI.ordo

KI.ordo pro vyhledávání ve znalostech embeddingy nepoužívá, ale vyhledávání podle klíčových slov BM25, které běží přímo na serveru.

Témata

vektor
sémantické vyhledávání
NLP

Vyzkoušet KI.ordo

Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.

Spustit demo

← Všechny pojmy

Související pojmy

Slovní embeddingy (word embeddings)

Slovní embeddingy reprezentují slova jako číselné vektory, takže slova s podobným významem leží ve vektorovém prostoru blízko sebe, například „auto“ a „vozidlo“. Metody jako Word2Vec nebo GloVe se tyto vektory učí z velkých objemů textu. Byly důležitým krokem ve zpracování jazyka, například pro vyhledávání nebo klasifikaci; dnešní jazykové modely používají kontextové embeddingy, v nichž je slovo reprezentováno různě podle věty.

NLP
vektory
+1

Retrieval-augmented generation (RAG)

Retrieval-augmented generation kombinuje vyhledávání s generováním textu: před odpovědí systém prohledá sbírku znalostí – například příručky, směrnice nebo časté dotazy – a relevantní pasáže předá jazykovému modelu jako kontext. Odpověď je tak založena na aktuálním obsahu specifickém pro firmu, a nikoli jen na znalostech z trénování modelu. Snižuje to vymyšlená tvrzení, zdroje jsou dohledatelné a aktualizace nevyžadují opakované trénování.

RAG
vyhledávání ve znalostech
+1

Vyhledávání informací (information retrieval)

Vyhledávání informací zahrnuje metody, které ve velkém množství textu najdou dokumenty nebo úryvky odpovídající dotazu a seřadí je podle relevance. Klasické přístupy, například BM25, váží hledané výrazy podle toho, jak často a jak vzácně se vyskytují; novější přidávají sémantickou podobnost. Je základem vyhledávačů, podnikového vyhledávání a generování rozšířeného o vyhledávání (RAG), v němž jazykový model používá nalezené úryvky jako podklad pro svou odpověď.

Vyhledávání
BM25
+1

Transformer

Transformer je architektura neuronové sítě představená v roce 2017 ve výzkumné práci „Attention Is All You Need“. Jejím jádrem je mechanismus pozornosti: každé slovo se váží ve vztahu ke všem ostatním slovům v textu a výpočet lze efektivně paralelizovat. Transformery tvoří základ dnešních jazykových modelů, jako jsou GPT, Claude a BERT, a používají se také pro obraz a zvuk.

architektura
Hluboké učení
+1