LearnAI

אמבדינג (Embedding)

אמבדינג (Embedding) הוא ייצוג של טקסט כרשימת מספרים, כך שהמרחק בין שתי רשימות כאלה מראה עד כמה שני הטקסטים קשורים זה לזה. ככה מערכת AI יכולה למצוא טקסטים קרובים במשמעות. [1] [2]

במילים פשוטות

מודל אמבדינג מקבל טקסט ומחזיר רשימת מספרים, וקטור. מרחק קטן בין שני וקטורים מצביע על קשר חזק בין הטקסטים, ומרחק גדול על קשר חלש. [1] לפי OpenAI, משתמשים בזה לחיפוש, לקיבוץ טקסטים דומים, להמלצות, לזיהוי חריגים ולסיווג. [1] Anthropic לא מציעה מודל אמבדינג משלה וממליצה לבחון כמה ספקים. [2] בעינינו זה פרט שכדאי לזכור: במערכת אחת יכולים לעבוד מודל אחד שמחפש ומודל אחר שכותב את התשובה, וכל אחד מהם יכול לטעות בנפרד.

דוגמה

שאלתם את הצ'אט הפנימי כמה ימים אפשר לעבוד מהבית. בנוהל כתוב «עבודה מרחוק: עד שלושה ימים בשבוע». כמעט אין מילים משותפות, אבל אם האמבדינג של השאלה קרוב לאמבדינג של הסעיף, החיפוש יכול למצוא אותו.

מה זה מודל אמבדינג?

מודל שתפקידו להפוך טקסט לייצוג מספרי, כלומר לוקטור. [2] יש ספקים שונים ומודלים שונים, ו-Anthropic מציעה לבחור לפי גודל נתוני האימון והקרבה שלהם לתחום שלכם, לפי מהירות, ולפי האפשרות להתאים את המודל לתחום מסוים. [2]

מה הקשר בין אמבדינג ל-RAG?

ב-RAG המערכת צריכה למצוא את הקטעים הרלוונטיים לפני שהמודל עונה. במאמר שהציג את RAG, המאגר היה אינדקס של וקטורים, ומודל חיפוש שלף ממנו את הקטעים. [3] חיפוש לפי קרבה בין אמבדינגים הוא אחד השימושים ש-OpenAI מונה. [1] ההסבר המלא בערך RAG.

איך זה נוגע לבדיקה · הגישה שלנו

אמבדינג מוצא טקסט דומה, לא טקסט נכון. סעיף ישן שבוטל יכול להיות קרוב מאוד לשאלה, בדיוק כמו הסעיף שבתוקף. לכן בודקים לא רק שהקטע שנמצא רלוונטי, אלא שזו הגרסה העדכנית. ואם במאגר יש כמה גרסאות של אותו נוהל, מסמנים בו מה בתוקף, כדי שהחיפוש לא יצטרך לנחש.

להעמיק

מקורות

  1. OpenAI API Docs, «Vector embeddings». נפתח ב-3.11.2026
  2. Anthropic, Claude Docs, «Embeddings». נפתח ב-3.11.2026
  3. Lewis et al., «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», arXiv:2005.11401, 2020. נפתח ב-3.11.2026

מונחים קשורים

לפני שממשיכים