Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Εισαγωγή στα Embeddings

Μάθημα 1 / 18 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Τι είναι ένα embedding;
  2. Διανύσματα και σημασιολογικός χώρος
  3. Η απόσταση ως μέτρο ομοιότητας
  4. Εφαρμογές των embeddings
  5. Γιατί Mistral για embeddings;
  6. Βασικά σημεία

Ενημερώθηκε στις 2 Νοεμβρίου 2026 — Μοντέλα. Τα Mistral Large 3 (mistral-large-2512) και Mistral Medium 3.5 αποσύρθηκαν στις 31 Οκτωβρίου 2026 και θα απενεργοποιηθούν οριστικά στις 30 Απριλίου 2027. Ο διάδοχός τους, το Mistral Large 4 (mistral-large-4), βρίσκεται σε δημόσια προεπισκόπηση από τις 6 Οκτωβρίου. Τα παραδείγματα αυτού του μαθήματος χρησιμοποιούν το ψευδώνυμο mistral-large-latest, το οποίο εξακολουθεί να δείχνει στο Mistral Large 3 σύμφωνα με την επίσημη προδιαγραφή (επαληθεύτηκε στις 3 Νοεμβρίου 2026). Ομοίως, το mistral-medium-latest δείχνει στο Mistral Medium 3.5. Αυτά τα ψευδώνυμα θα παραμείνουν έγκυρα έως τις 30 Απριλίου 2027. Για νέα έργα, δοκιμάστε το mistral-large-4, τον ορισμένο διάδοχό τους.

Τι είναι ένα embedding;

Ένα embedding είναι μια αριθμητική αναπαράσταση κειμένου ως διάνυσμα σε έναν πολυδιάστατο χώρο. Κάθε λέξη, πρόταση ή έγγραφο μετατρέπεται σε μια λίστα αριθμών—ένα διάνυσμα—που αποτυπώνει το σημασιολογικό του νόημα. Ο λόγος για αυτόν τον μετασχηματισμό είναι απλός: οι υπολογιστές δεν κατανοούν το ακατέργαστο κείμενο· εργάζονται με αριθμούς. Τα embeddings μεταφράζουν την ανθρώπινη γλώσσα σε μια μορφή που οι αλγόριθμοι μπορούν να χειριστούν, να συγκρίνουν και να αναλύσουν.

Σκεφτείτε μια ομάδα εξυπηρέτησης πελατών που αρχειοθετεί δέκα χρόνια αιτημάτων. Όσο αυτά τα αιτήματα παραμένουν απλό κείμενο, η μόνη μηχανική λειτουργία που είναι δυνατή είναι η ακριβής αναζήτηση λέξεων-κλειδιών: η αναζήτηση για “παράδοση” δεν θα βρει ποτέ το “αποστολή”. Μόλις τα αιτήματα κωδικοποιηθούν ως διανύσματα, γίνονται συγκρίσιμα σημεία στον χώρο. Η φράση “Το πακέτο μου δεν έφτασε ποτέ” ομαδοποιείται με το “η παραγγελία δεν ελήφθη”, παρόλο που δεν μοιράζονται κοινές λέξεις.

Διανύσματα και σημασιολογικός χώρος

Φανταστείτε έναν χώρο με πολλές διαστάσεις (1.024 διαστάσεις για το mistral-embed, για παράδειγμα). Κάθε κείμενο καταλαμβάνει μια ακριβή θέση σε αυτόν τον χώρο και τα κείμενα με παρόμοιο νόημα καταλήγουν γεωμετρικά κοντά το ένα στο άλλο.

# Ένα embedding είναι απλώς μια λίστα αριθμών
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456]  # 1024 values in reality

# Δύο παρόμοιες προτάσεις θα έχουν κοντινά διανύσματα
sentence_1 = "The cat sleeps on the couch"     # -> vector A
sentence_2 = "The feline dozes on the sofa"    # -> vector B (close to A)
sentence_3 = "The stock market crashed yesterday" # -> vector C (far from A and B)

Αυτή η ιδιότητα είναι που καθιστά τα embeddings τόσο ισχυρά: η γεωμετρική εγγύτητα αντικατοπτρίζει τη σημασιολογική εγγύτητα. Το μοντέλο δεν έμαθε ποτέ έναν κανόνα που να αναφέρει ότι το “feline” είναι συνώνυμο του “cat”. Αντ’ αυτού, έμαθε να τοποθετεί αυτές τις δύο λέξεις σε παρόμοια συμφραζόμενα, κάτι που αρκεί για να φέρει τα διανύσματα A και B πιο κοντά, κρατώντας το C μακριά.

1024
Dimensions for mistral-embed (text)
3072
Dimensions for codestral-embed (code)
5
Precision types (dtype)
< 1s
API latency per request

Η απόσταση ως μέτρο ομοιότητας

Για να προσδιορίσετε αν δύο κείμενα είναι παρόμοια, μετράτε την απόσταση μεταξύ των διανυσμάτων τους. Τρεις μετρικές κυριαρχούν στον χώρο. Η Ευκλείδεια απόσταση αντιστοιχεί στην ευθεία γραμμή μεταξύ δύο σημείων: όσο μικρότερη είναι η γραμμή, τόσο πιο παρόμοια είναι τα κείμενα. Η ομοιότητα συνημιτόνου μετρά τη γωνία μεταξύ δύο διανυσμάτων· μια γωνία 0° (συνημίτονο = 1) σημαίνει ότι τα κείμενα είναι σημασιολογικά ίδια. Τέλος, το εσωτερικό γινόμενο (dot product) είναι γρήγορο στον υπολογισμό, γεγονός που εξηγεί γιατί χρησιμοποιείται συχνά για την κατάταξη.

Η ομοιότητα συνημιτόνου έγινε το πρότυπο επειδή αγνοεί το μήκος του διανύσματος. Συγκρίνετε μια περίληψη συμβολαίου τριών γραμμών με το πλήρες συμβόλαιο σαράντα σελίδων. Η Ευκλείδεια απόσταση penalizes (τιμωρεί) την περίληψη παρόλο που καλύπτει ακριβώς το ίδιο θέμα, ενώ η γωνία μεταξύ των δύο διανυσμάτων παραμένει μικρή.

import numpy as np

def cosine_similarity(vec_a, vec_b):
    """Calculate cosine similarity between two vectors."""
    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)

# Result between -1 and 1
# 1.0 = identical, 0.0 = unrelated, -1.0 = opposite

Εφαρμογές των embeddings

Τα embeddings αποτελούν τη βάση πολλών σύγχρονων εφαρμογών και αξίζει να δείτε πώς φαίνεται η καθεμία στην πράξη. Η σημασιολογική αναζήτηση βρίσκει έγγραφα βάσει του νοήματος και όχι των ακριβών λέξεων-κλειδιών: μια εσωτερική βάση δεδομένων διαδικασιών απαντά στο «τι να κάνω αν ένας πελάτης αρνηθεί την παράδοση», ακόμα και αν η διαδικασία τίτλο «διαχείριση επιστροφών στην αποθήκη». Το RAG (Retrieval-Augmented Generation) προχωρά αυτή τη λογική ακόμη περισσότερο, εισάγοντας ανακτημένα έγγραφα στο prompt ενός LLM, επιτρέποντάς του να απαντά βάσει των δικών σας δεδομένων και όχι της μνήμης εκπαίδευσής του.

Τρεις άλλες περιπτώσεις χρήσης αξιοποιούν την ίδια γεωμετρία. Η κατηγοριοποίηση κειμένου κατηγοριοποιεί αυτόματα έγγραφα παρατηρώντας σε ποια γνωστή ομάδα είναι closest (κοντύτερο) το διάνυσμά τους· ένα εισερχόμενο email καταλήγει στην κατηγορία «τιμολόγηση» ή «τεχνική υποστήριξη» χωρίς κανέναν χειροκίνητο κανόνα. Η ανίχνευση διπλοτύπων εντοπίζει περιεχόμενο σχεδόν ίδιο σε μια βάση δεδομένων, αποτρέποντάς σας από το να δημοσιεύσετε το ίδιο φύλλο προϊόντος δύο φορές επειδή δύο ομάδες το έγραψαν. Η συσταδοποίηση (clustering) ομαδοποιεί έγγραφα ανά θέμα χωρίς προκαθορισμένες ετικέτες, μια κοινή μέθοδος για να κατανοήσετε ένα σώμα κειμένων του οποίου τη δομή κανείς δεν γνωρίζει. Τέλος, τα συστήματα προτάσεων προτείνουν παρόμοιο περιεχόμενο, ακριβώς όπως ο μηχανισμός «σχετικά άρθρα» στο κάτω μέρος μιας σελίδας.

Γιατί Mistral για embeddings;

Η Mistral προσφέρει δύο εξειδικευμένα μοντέλα embedding. Το mistral-embed χειρίζεται τη φυσική γλώσσα και παράγει 1.024 διαστάσεις· το codestral-embed έχει εκπαιδευτεί σε πηγαίο κώδικα και φτάνει έως τις 3.072 διαστάσεις. Επιλέγετε μεταξύ τους βάσει της φύσης του ακατέργαστου υλικού σας: γραπτή τεκμηρίωση από τη μία πλευρά, αρχεία .py ή .ts από την άλλη.

Αυτά τα μοντέλα είναι προσβάσιμα μέσω ενός απλού API με εξαιρετική αναλογία τιμής-απόδοσης. Στα επόμενα μαθήματα, θα μάθετε πώς να τα χρησιμοποιείτε στην πράξη.

Βασικά σημεία

  • Ένα embedding μετατρέπει το κείμενο σε ένα πολυδιάστατο αριθμητικό διάνυσμα
  • Η γεωμετρική εγγύτητα μεταξύ των διανυσμάτων αντικατοπτρίζει τη σημασιολογική ομοιότητα
  • Η ομοιότητα συνημιτόνου είναι η πιο κοινή μετρική για τη σύγκριση embeddings
  • Η Mistral προσφέρει δύο μοντέλα: mistral-embed (κείμενο) και codestral-embed (κώδικας)
  • Τα embeddings αποτελούν τη βάση του RAG, της σημασιολογικής αναζήτησης και της συσταδοποίησης