Ordliste

Embeddingvektor

Hvad er Embeddingvektor?

En embeddingvektor (embedding) er en liste af tal, der repræsenterer betydningen af et ord, en sætning eller et dokument, så tekster med lignende indhold ligger tæt på hinanden. Det gør det muligt at genkende, at f.eks. 'opsigelse' og 'ophør af kontrakten' hænger sammen, selv om de ikke deler ord. Embeddings ligger til grund for mange semantiske søgesystemer, anbefalingstjenester og RAG-applikationer; de beregnes af specialtrænede modeller.

Sådan hjælper KI.ordo

KI.ordo bruger ikke embeddings til sin vidensøgning, men BM25-nøgleordssøgning, der kører direkte på serveren.

Emner

vektor
semantisk søgning
NLP

Prøv KI.ordo

Agenter, flows og skabeloner i ét arbejdsområde – gratis demo i 24 timer.

Start demo

← Alle begreber

Relaterede begreber

Word embeddings

Word embeddings repræsenterer ord som numeriske vektorer, så ord med lignende betydning ligger tæt på hinanden i vektorrummet, f.eks. »bil« og »køretøj«. Metoder som Word2Vec eller GloVe lærer disse vektorer af store tekstmængder. De var et vigtigt skridt i sprogbehandlingen, f.eks. til søgning eller klassifikation; nutidens sprogmodeller bruger kontekstuelle embeddings, hvor et ord repræsenteres forskelligt afhængigt af sætningen.

NLP
vektorer
+1

Retrieval-augmented generation (RAG)

Retrieval-augmented generation kombinerer søgning med tekstgenerering: før svaret søger systemet i en vidensamling – f.eks. manualer, politikker eller FAQ'er – efter relevante passager og giver dem til sprogmodellen som kontekst. Svaret bygger dermed på aktuelt, virksomhedsspecifikt indhold og ikke kun på modellens træningsviden. Det reducerer opfundne udsagn, gør kilder sporbare og muliggør opdateringer uden gentræning.

RAG
vidensøgning
+1

Information retrieval

Information retrieval omfatter metoder til at finde de dokumenter eller passager i en stor tekstmasse, der matcher en forespørgsel, og rangere dem efter relevans. Klassiske tilgange som BM25 vægter søgeord efter, hvor ofte og hvor sjældent de forekommer; nyere tilføjer semantisk lighed. Det ligger til grund for søgemaskiner, virksomhedssøgning og retrieval-augmented generation, hvor en sprogmodel bruger de hentede passager som grundlag for sit svar.

Søgning
BM25
+1

Transformer

Transformeren er en neural netværksarkitektur, der blev introduceret i 2017 i forskningsartiklen »Attention Is All You Need«. Kernen er attention-mekanismen: hvert ord vægtes i forhold til alle andre ord i en tekst, og beregningen kan paralleliseres effektivt. Transformere ligger til grund for nutidens sprogmodeller som GPT, Claude og BERT og bruges også til billeder og lyd.

Arkitektur
Deep learning
+1