Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Johdatus upotuksiin

Oppitunti 1 / 18 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Mikä on upotus?
  2. Vektorit ja semanttinen avaruus
  3. Etäisyys samankaltaisuuden mittarina
  4. Upotusten sovelluskohteet
  5. Miksi valita Mistral upotuksiin?
  6. Keskeiset asiat

Päivitetty 2. marraskuuta 2026 — Mallit. Mistral Large 3 (mistral-large-2512) ja Mistral Medium 3.5 poistettiin käytöstä 31. lokakuuta 2026, ja ne poistetaan kokonaan 30. huhtikuuta 2027. Niiden nimetty seuraaja, Mistral Large 4 (mistral-large-4), on ollut julkisessa esiversiossa 6. lokakuuta lähtien. Tämän kurssin esimerkeissä käytetään aliasta mistral-large-latest, joka osoittaa edelleen Mistral Large 3 -malliin sen virallisen määritelmän mukaan (varmistettu 3. marraskuuta 2026). Vastaavasti mistral-medium-latest osoittaa Mistral Medium 3.5 -malliin. Nämä aliakset pysyvät voimassa 30. huhtikuuta 2027 saakka. Uusia projekteja varten testaa mistral-large-4:ää, niiden nimettyä seuraajaa.

Mikä on upotus?

Upotus (embedding) on tekstin numeerinen esitystapa vektorina moniulotteisessa avaruudessa. Jokainen sana, lause tai dokumentti muuttuu numerolistaksi eli vektoriksi, joka tallentaa sen semanttisen merkityksen. Muunnoksen syy on yksinkertainen: tietokoneet eivät ymmärrä raakatekstiä, vaan ne työskentelevät numeroilla. Upotukset kääntävät ihmiskielen muotoon, jota algoritmit voivat manipuloida, vertailla ja analysoida.

Kuvittele asiakastukitiimi, joka arkistoi kymmenen vuoden ajan tukipyyntöjä. Niin kauan kuin pyynnöt ovat pelkkää tekstiä, ainoa mahdollinen mekaaninen operaatio on tarkka avainsanahaku: haku sanalla “toimitus” ei koskaan löydä sanaa “lähetys”. Kun pyynnöt koodataan vektoreiksi, niistä tulee avaruudessa vertailukelpoisia pisteitä. Lause “Pakettini ei ole koskaan saapunut” asettuu samaan klusteriin lauseen “Tilausta ei ole vastaanotettu” kanssa, vaikka niillä ei olisi yhtään yhteistä sanaa.

Vektorit ja semanttinen avaruus

Kuvittele avaruus, jossa on paljon ulottuvuuksia (esimerkiksi 1 024 ulottuvuutta mallille mistral-embed). Jokainen teksti vie tässä avaruudessa tarkan paikan, ja samankaltaiset tekstit päätyvät geometrisesti lähelle toisiaan.

# Upotus on yksinkertaisesti numerolista
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456]  # Todellisuudessa 1024 arvoa

# Kahdella samankaltaisella lauseella on lähellä toisiaan olevat vektorit
sentence_1 = "The cat sleeps on the couch"     # -> vektori A
sentence_2 = "The feline dozes on the sofa"    # -> vektori B (lähellä A:ta)
sentence_3 = "The stock market crashed yesterday" # -> vektori C (kaukana A:sta ja B:stä)

Tämä ominaisuus tekee upotuksista niin voimakkaita: geometrinen läheisyys heijastaa semanttista läheisyyttä. Malli ei ole oppinut sääntöä, jonka mukaan “feline” on synonyymi sanalle “cat”. Sen sijaan se on oppinut sijoittamaan nämä kaksi sanaa samankaltaisiin konteksteihin, mikä riittää tuomaan vektorit A ja B lähemmäs toisiaan pitäen samalla C:n erillään.

1024
Ulottuvuutta mallille mistral-embed (teksti)
3072
Ulottuvuutta mallille codestral-embed (koodi)
5
Tarkkuustyypit (dtype)
< 1s
API-viive pyyntöä kohden

Etäisyys samankaltaisuuden mittarina

Määrittääksesi, ovatko kaksi tekstiä samankaltaisia, mittaat niiden vektorien välisen etäisyyden. Alalla dominoi kolme metriikkaa. Euklidinen etäisyys vastaa kahden pisteen välistä suoraa viivaa: mitä lyhyempi viiva, sitä samankaltaisempia tekstit ovat. Kosinisimilaarisuus mittaa kahden vektorin välistä kulmaa; 0°:n kulma (kosini = 1) tarkoittaa, että tekstit ovat semanttisesti identtisiä. Lopuksi pistetulo on nopea laskea, mikä selittää sen yleisen käytön tulosten järjestelyssä.

Kosinisimilaarisuudesta on tullut standardi, koska se jättää huomiotta vektorin pituuden. Vertaa kolmen rivin sopimusyhteenvetoa neljänkymmenen sivun täysimittaiseen sopimukseen. Euklidinen etäisyys rankaisee yhteenvetoa, vaikka se kattaa täsmälleen saman aiheen, kun taas kahden vektorin välinen kulma pysyy pienenä.

import numpy as np

def cosine_similarity(vec_a, vec_b):
    """Laske kahden vektorin välinen kosinisimilaarisuus."""
    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)

# Tulos välillä -1 ja 1
# 1.0 = identtinen, 0.0 = ei yhteyttä, -1.0 = vastakkainen

Upotusten sovelluskohteet

Upotukset ovat monien nykyaikaisten sovellusten perusta, ja on hyvä tarkastella, miltä kukin niistä näyttää käytännössä. Semanttinen haku löytää dokumentteja merkityksen perusteella eikä pelkkien tarkkojen avainsanojen perusteella: sisäinen menettelytietokanta vastaa kysymykseen “mitä tehdä, jos asiakas kieltäytyy toimituksesta”, vaikka menettelyn otsikko olisi “palautusten käsittely varastolla”. RAG (Retrieval-Augmented Generation) vie tämän logiikan pidemmälle syöttämällä haetut dokumentit suoraan kielimallin (LLM) kehotteeseen, jolloin se voi vastata oman datasi perusteella eikä pelkän harjoitusmuistinsa varassa.

Kolme muuta käyttötapausta hyödyntää samaa geometriaa. Tekstiluokittelu kategorisoi dokumentit automaattisesti havainnoimalla, minkä tunnetun ryhmän vektori on lähimpänä; saapuva sähköposti päätyy luokkaan “laskutus” tai “tekniikka” ilman manuaalisesti kirjoitettuja sääntöjä. Duplikaattien tunnistus havaitsee lähes identtistä sisältöä tietokannasta estäen sinua julkaisemasta samaa tuotesivua kahdesti, koska kaksi tiimiä on kirjoittanut sen. Klusterointi ryhmittelee dokumentteja teemoittain ilman ennalta määriteltyjä tunnisteita; tämä on yleinen tapa hahmottaa aineistoa, jonka rakennetta kukaan ei tunne. Lopuksi suosittelujärjestelmät ehdottavat samankaltaista sisältöä aivan kuten “aiheeseen liittyvät artikkelit” -mekanismi sivun alareunassa.

Miksi valita Mistral upotuksiin?

Mistral tarjoaa kaksi erikoistunutta upotusmallia. mistral-embed käsittelee luonnollista kieltä ja tuottaa 1 024 ulottuvuutta; codestral-embed on koulutettu lähdekoodille ja yltää jopa 3 072 ulottuvuuteen. Valinta niiden välillä riippuu raaka-aineen luonteesta: toisella puolella on kirjallinen dokumentaatio, toisella .py- tai .ts-tiedostot.

Nämä mallit ovat saatavilla yksinkertaisen API:n kautta, ja niiden hinta-laatusuhde on erinomainen. Seuraavissa oppitunneissa opit käyttämään niitä käytännössä.

Keskeiset asiat

  • Upotus muuntaa tekstin moniulotteiseksi numeeriseksi vektoriksi
  • Vektorien välinen geometrinen läheisyys heijastaa semanttista samankaltaisuutta
  • Kosinisimilaarisuus on yleisin metriikka upotusten vertailuun
  • Mistral tarjoaa kaksi mallia: mistral-embed (teksti) ja codestral-embed (koodi)
  • Upotukset ovat RAG:n, semanttisen haun ja klusteroinnin perusta