Ordlista

Inbäddningsvektor (embedding)

Vad är Inbäddningsvektor (embedding)?

En inbäddningsvektor (embedding) är en lista med tal som representerar betydelsen av ett ord, en mening eller ett dokument så att texter med liknande innehåll hamnar nära varandra. Det gör det möjligt att till exempel se att ”uppsägning” och ”avslut av avtal” hör ihop trots att de inte delar några ord. Inbäddningar ligger till grund för många semantiska söksystem, rekommendationstjänster och RAG-applikationer; de beräknas av särskilt tränade modeller.

Så hjälper KI.ordo

KI.ordo använder inte inbäddningar för sin kunskapssökning utan nyckelordssökningen BM25, som körs direkt på servern.

Ämnen

vektor
semantisk sökning
NLP

Prova KI.ordo

Agenter, flöden och mallar i en arbetsyta – gratis demo i 24 timmar.

Starta demo

← Alla begrepp

Relaterade begrepp

Ordinbäddningar

Ordinbäddningar representerar ord som numeriska vektorer så att ord med liknande betydelse hamnar nära varandra i vektorrummet, som ”bil” och ”fordon”. Metoder som Word2Vec eller GloVe lär sig dessa vektorer från stora textmängder. De var ett viktigt steg inom språkbehandling, till exempel för sökning eller klassificering; dagens språkmodeller använder kontextuella inbäddningar där ett ord representeras olika beroende på meningen.

NLP
Vektorer
+1

Retrieval-augmented generation (RAG)

Retrieval-augmented generation kombinerar sökning med textgenerering: innan systemet svarar söker det i en kunskapssamling – som manualer, policyer eller vanliga frågor – efter relevanta avsnitt och skickar dem som sammanhang till språkmodellen. Svaret bygger därmed på aktuellt, företagsspecifikt innehåll i stället för enbart på modellens träningskunskap. Det minskar påhittade påståenden, gör källor spårbara och möjliggör uppdateringar utan omträning.

RAG
kunskapssökning
+1

Informationssökning (information retrieval)

Informationssökning omfattar metoder som hittar de dokument eller stycken i en stor textmängd som motsvarar en fråga och rangordnar dem efter relevans. Klassiska ansatser som BM25 viktar söktermer efter hur ofta och hur sällan de förekommer; nyare lägger till semantisk likhet. Den ligger till grund för sökmotorer, företagssök och retrieval-augmented generation, där en språkmodell använder de hämtade styckena som underlag för sitt svar.

Sökning
BM25
+1

Transformer

Transformern är en arkitektur för neurala nätverk som introducerades 2017 i forskningsartikeln ”Attention Is All You Need”. I kärnan finns uppmärksamhetsmekanismen: varje ord vägs i förhållande till alla andra ord i en text, och beräkningen kan parallelliseras effektivt. Transformers ligger till grund för dagens språkmodeller som GPT, Claude och BERT och används också för bilder och ljud.

Arkitektur
Djupinlärning
+1