Glossario

Vettore di embedding

Che cos’è Vettore di embedding?

Un vettore di embedding è una lista di numeri che rappresenta il significato di una parola, di una frase o di un documento in modo che testi dal contenuto simile risultino vicini. Così si può riconoscere, ad esempio, che «disdetta» e «chiudere il contratto» sono collegati pur non avendo parole in comune. Gli embedding sono alla base di molti sistemi di ricerca semantica, servizi di raccomandazione e applicazioni RAG; vengono calcolati da modelli addestrati appositamente.

Come aiuta KI.ordo

Per la ricerca nelle conoscenze KI.ordo non usa embedding, ma la ricerca per parole chiave BM25 direttamente sul server.

Temi

vettore
ricerca semantica
NLP

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Word embedding

I word embedding rappresentano le parole come vettori numerici, in modo che parole di significato simile siano vicine nello spazio vettoriale, come «auto» e «veicolo». Metodi come Word2Vec o GloVe apprendono questi vettori da grandi quantità di testo. Sono stati un passo importante nell'elaborazione del linguaggio, ad esempio per ricerca e classificazione; gli odierni modelli linguistici usano embedding contestuali, in cui una parola è rappresentata in modo diverso a seconda della frase.

NLP
Vettori
+1

Retrieval-Augmented Generation (RAG)

La Retrieval-Augmented Generation unisce ricerca e generazione di testo: prima di rispondere, il sistema cerca in una raccolta di conoscenze, come manuali, linee guida o FAQ, i passaggi pertinenti e li fornisce al modello linguistico come contesto. La risposta si basa così su contenuti aziendali aggiornati e non solo sulle conoscenze apprese in addestramento. Questo riduce le affermazioni inventate, rende tracciabili le fonti e consente aggiornamenti senza nuovo addestramento.

RAG
ricerca nelle conoscenze
+1

Recupero dell'informazione

Il recupero dell'informazione (information retrieval) comprende i metodi che, in grandi raccolte di testi, trovano i documenti o i passaggi pertinenti a una richiesta e li ordinano per rilevanza. Approcci classici come BM25 pesano i termini in base a frequenza e rarità; quelli più recenti aggiungono la somiglianza semantica. È alla base di motori di ricerca, ricerca aziendale e retrieval-augmented generation, in cui un modello linguistico usa i passaggi trovati come fonte della risposta.

Ricerca
BM25
+1

Transformer

Il Transformer è un'architettura di rete neurale presentata nel 2017 nell'articolo scientifico «Attention Is All You Need». Il suo cuore è il meccanismo di attenzione: ogni parola viene pesata in relazione a tutte le altre parole del testo, e il calcolo si presta bene alla parallelizzazione. I Transformer sono alla base degli odierni modelli linguistici come GPT, Claude o BERT e si usano anche per immagini e audio.

Architettura
Deep learning
+1