Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Úvod do vnoření (Embeddings)

Lekce 1 z 18 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Co je to vnoření (embedding)?
  2. Vektory a sémantický prostor
  3. Vzdálenost jako míra podobnosti
  4. Využití vnoření
  5. Proč Mistral pro vnoření?
  6. Klíčové poznatky

Aktualizováno 2. listopadu 2026 — Modely. Mistral Large 3 (mistral-large-2512) a Mistral Medium 3.5 byly 31. října 2026 vyřazeny z provozu a dne 30. dubna 2027 budou zcela odstaveny. Jejich nástupcem je Mistral Large 4 (mistral-large-4), který je ve veřejném náhledu od 6. října. Příklady v tomto kurzu používají alias mistral-large-latest, který podle oficiální specifikace (ověřeno 3. listopadu 2026) stále odkazuje na Mistral Large 3. Podobně mistral-medium-latest odkazuje na Mistral Medium 3.5. Tyto aliasy zůstanou platné do 30. dubna 2027. Pro nové projekty otestujte mistral-large-4, jejich určeného nástupce.

Co je to vnoření (embedding)?

Vnoření je číselná reprezentace textu ve formě vektoru v mnohorozměrném prostoru. Každé slovo, věta nebo dokument se převede na seznam čísel – vektor – který zachycuje jeho sémantický význam. Důvod této transformace je prostý: počítače nerozumí surovému textu; pracují s čísly. Vnoření překládají lidský jazyk do formátu, se kterým mohou algoritmy manipulovat, porovnávat jej a analyzovat.

Představ si tým zákaznické podpory, který archivuje deset let ticketů. Dokud tyto tickety zůstávají jako prostý text, jedinou možnou mechanickou operací je hledání podle přesných klíčových slov: hledání výrazu „doručení“ nikdy nenajde „zásilku“. Jakmile jsou však tickety zakódovány jako vektory, stanou se porovnatelnými body v prostoru. Věta „Moje zásilka nikdy nedorazila“ se seskupí s „Objednávka nebyla přijata“, přestože nemají žádná společná slova.

Vektory a sémantický prostor

Představ si prostor s mnoha rozměry (například 1 024 rozměrů pro mistral-embed). Každý text zaujímá v tomto prostoru přesnou pozici a texty s podobným významem končí geometricky blízko u sebe.

# Vnoření je jednoduše seznam čísel
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456]  # ve skutečnosti 1024 hodnot

# Dvě podobné věty budou mít blízké vektory
sentence_1 = "The cat sleeps on the couch"     # -> vektor A
sentence_2 = "The feline dozes on the sofa"    # -> vektor B (blízko A)
sentence_3 = "The stock market crashed yesterday" # -> vektor C (daleko od A a B)

Právě tato vlastnost činí vnoření tak mocnými: geometrická blízkost odráží sémantickou blízkost. Model se nenaučil pravidlo, že „feline“ je synonymem pro „cat“. Místo toho se naučil umisťovat tato dvě slova do podobných kontextů, což stačí k tomu, aby se vektory A a B přiblížily, zatímco vektor C zůstane oddělen.

1024
Rozměrů pro mistral-embed (text)
3072
Rozměrů pro codestral-embed (kód)
5
Typů přesnosti (dtype)
< 1s
Latence API na požadavek

Vzdálenost jako míra podobnosti

Chceš-li určit, zda jsou dva texty podobné, změříš vzdálenost mezi jejich vektory. V této oblasti dominují tři metriky. Eukleidovská vzdálenost odpovídá přímce mezi dvěma body: čím kratší přímka, tím podobnější jsou texty. Kosinová podobnost měří úhel mezi dvěma vektory; úhel 0° (kosinus = 1) znamená, že texty jsou sémanticky totožné. Nakonec skalární součin je rychlý na výpočet, což vysvětluje, proč se běžně používá pro řazení výsledků.

Kosinová podobnost se stala standardem, protože ignoruje délku vektoru. Porovnej třířádkové shrnutí smlouvy s plným zněním téže smlouvy o čtyřiceti stranách. Eukleidovská vzdálenost penalizuje shrnutí, přestože pokrývá úplně stejné téma, zatímco úhel mezi oběma vektory zůstává malý.

import numpy as np

def cosine_similarity(vec_a, vec_b):
    """Vypočítá kosinovou podobnost mezi dvěma vektory."""
    dot_product = np.dot(vec_a, vec_b)
    norm_a = np.linalg.norm(vec_a)
    norm_b = np.linalg.norm(vec_b)
    return dot_product / (norm_a * norm_b)

# Výsledek mezi -1 a 1
# 1.0 = totožné, 0.0 = nesouvisející, -1.0 = opačné

Využití vnoření

Vnoření jsou základem mnoha moderních aplikací a stojí za to podívat se, jak každá z nich vypadá v praxi. Sémantické vyhledávání nachází dokumenty podle významu, nikoli podle přesných klíčových slov: interní databáze postupů odpoví na dotaz „co dělat, když zákazník odmítne doručení“, i když je postup nazván „řešení reklamací na depu“. RAG (Retrieval-Augmented Generation) tuto logiku posouvá dále tím, že vkládá nalezené dokumenty do promptu velkého jazykového modelu (LLM), což mu umožňuje odpovídat na základě tvých dat, nikoli pouze na základě své tréninkové paměti.

Tři další případy využití využívají stejnou geometrii. Klasifikace textu automaticky kategorizuje dokumenty pozorováním, ke které známé skupině je jejich vektor nejblíže – příchozí e-mail skončí ve složce „fakturace“ nebo „technická podpora“ bez jakýchkoli ručně psaných pravidel. Detekce duplicit odhaluje téměř totožný obsah v databázi a zabraňuje tomu, abys dvakrát publikoval stejný produktový list jen proto, že ho napsaly dva různé týmy. Shlukování (clustering) seskupuje dokumenty podle témat bez předem definovaných štítků, což je běžná metoda pro pochopení korpusu, jehož strukturu nikdo nezná. Nakonec doporučovací systémy navrhují podobný obsah, přesně jako mechanismus „související články“ v patičce stránky.

Proč Mistral pro vnoření?

Mistral nabízí dva specializované modely pro vnoření. mistral-embed zpracovává přirozený jazyk a produkuje 1 024 rozměrů; codestral-embed je trénován na zdrojový kód a dosahuje až 3 072 rozměrů. Mezi nimi vybíráš podle povahy svého vstupního materiálu: na jedné straně písemná dokumentace, na druhé soubory .py nebo .ts.

Tyto modely jsou přístupné prostřednictvím jednoduchého API s vynikajícím poměrem ceny a výkonu. V následujících lekcích se naučíš, jak je používat v praxi.

Klíčové poznatky

  • Vnoření převádí text na mnohorozměrný číselný vektor
  • Geometrická blízkost mezi vektory odráží sémantickou podobnost
  • Kosinová podobnost je nejběžnější metrikou pro porovnávání vnoření
  • Mistral nabízí dva modely: mistral-embed (text) a codestral-embed (kód)
  • Vnoření jsou základem pro RAG, sémantické vyhledávání a shlukování