Cad é Leabú: An Intuigint
Ar an leathanach seo
Cuspóirí
- Tuiscint a fháil ar cad é leabú agus cén fáth a bhfuil tábhacht leis
- Intuigint gheoiméadrach na veicteoirí focail a thuiscint go hiomlán
- Na príomhchásanna úsáide a aimsiú
An Fhadhb: Ní Thuigeann Meaisíní Téacs
Oibríonn samhlacha teanga le huimhreacha, ní le focail. Sular féidir le meaisín téacs a chur i gcomparáid, a chuardach nó réasúnú a dhéanamh air, caithfidh tú an téacs sin a thiontú go léiriú uimhriúil inúsáidte. Is é an cheist lárnach ná: cén léiriú?
An Cur Chuige Naofa: Mála Focal
Is é an modh is simplí comhaireamh a dhéanamh ar líon na n-uaireanta a fheictear gach focal. Tá sé simplí go leor, ach déanann sé neamhaird iomlán ar bhrí. Tóg “Itheann an cat an luch” agus “Itheann an luch an cat”: tá na focail chéanna go díreach sa dá abairt sna comhréireanna céanna, mar sin cruthaíonn siad an léiriú céanna go beacht, cé go dtuairiscíonn siad radhairc contrártha. Tá an fhadhb chéanna ann freisin ar an mbealach eile: tagraíonn “Gluaisteán” agus “Carr” don rud céanna, ach toisc gur dhá shreang charachtair ar leith iad, déanann an cur chuige mála-focal orthu mar choincheapa neamhghaolmhara. Éalaíonn ord na bhfocal agus comhchiallaigh—dhá cholún teanga—ón modh seo go hiomlán.
Leabuithe: Brí a Ghabháil
Is leabú veicteoir dlúth é—liosta d’uimhreacha snámhphointe—a ghabhann brí shéimeantach téacs. Beidh veicteoirí ag dhá théacs a bhfuil brí chosúil acu atá suite gar dá chéile sa spás, beag beann ar na focail shonracha a úsáidtear. Seo mar a ghineann tú ceann:
from openai import OpenAI
client = OpenAI()
# Generate an embedding
response = client.embeddings.create(
input="Artificial intelligence is transforming the industry",
model="text-embedding-3-large"
)
vector = response.data[0].embedding
print(f"Vector dimension: {len(vector)}") # 3072
print(f"First elements: {vector[:5]}")
Códálann an veicteoir seo de 3,072 uimhir brí na habairte, agus gabhann gach toise gné éagsúil den tséimeantic. Ní gá duit a bheith ar an eolas faoin méid a léiríonn toise 417: is é an rud is tábhachtaí ná go bhfanann an chumraíocht iomlán cobhsaí agus inchomparáide ar fud téacsanna.
An Intuigint Gheoiméadrach
Samhlaigh spás tríthoiseach ina bhfuil pointe ag gach focal nó frása. Críochnaíonn “Rí” agus “Banríon” taobh le taobh a chéile toisc go roinneann siad an chuid is mó dá mbrí. Cruthaíonn “Úll” agus “Oráiste” comharsanacht eile, i bhfad ón gcéad cheann. Déanann “Madra” agus “Cat” braiste eile fós. Is é an eagraíocht spásúil seo a dhéanann comparáid indéanta: is ionann an fad idir dhá phointe a thomhas agus an chosúlacht idir dhá bhrí a thomhas.
I ndáiríre, úsáideann leabuithe nua-aimseartha na mílte toise—3,072 do text-embedding-3-large—rud a ligeann dóibh nuansaí a ghabháil atá i bhfad níos mine ná ár samhail mheabhrach shimplí trí-aise.
An Chomhshamhail Cháiliúil
Gabhanann leabuithe caidrimh shéimeantacha rialta freisin, go dtí an pointe is féidir leat iad a láimhseáil trí uimhríocht. Seo mar a bhreathnaíonn an sampla clasaiceach:
vector("King") - vector("Man") + vector("Woman") ≈ vector("Queen")
I bhfocail eile, trí an chomhpháirt “fireann” a dhealú agus an chomhpháirt “baineann” a chur leis, aistrítear an pointe ó “Rí” i dtreo “Banríon”. Léiríonn an airí seo go bhfuil coincheapa teibí cosúil le hinscne, ríogacht, nó méid códaithe ar bhealach struchtúrtha, ní scaipthe go randamach.
Cad Chun a Úsáidtear Leabuithe?
Is é an chéad chás úsáide ná cuardach séimeantach: in ionad cuardach a dhéanamh ar eochairfhocail chruinne, déanann tú comparáid idir brí na ceiste agus brí na ndoiciméad. Aimsíonn cuairteoir a chlóscríobhaidh “Conas a bheathaím mo choileán?” alt dar teideal “An Madra Óg a Bheathú”, cé nach bhfuil aon fhocal coiteann ag an dá fhrása.
Is é an dara cás ná aicmiú: toisc go ndéanann téacsanna ar an ábhar céanna braisteadh le chéile sa spás go nádúrtha, is féidir leat ticéid tacaíochta, ríomhphoist, nó ailt a shórtáil go huathoibríoch gan aon riail láimhe a scríobh. Braitheann Moladh ar an meicníocht chéanna ach ón taobh eile: chun ábhar a mholadh d’úsáideoir, cuardaíonn tú veicteoirí atá is gaire don rud a d’fhéach siad cheana.
Ar deireadh, tá RAG (Retrieval-Augmented Generation), a shaibhríonn freagra LLM le doiciméid ábhartha a fhaightear trí chosúlacht shéimeantach. Is é seo an príomhchás úsáide sa chúrsa seo, agus comhcheanglaíonn sé gach ceann eile: innéacsú, comparáid, agus rangú.
Cad a D’athraigh i 2025–2026
Tá dhá phríomhmhúnla ar fáil anois le API Leabuithe OpenAI:
| Múnla | Toisí | Úsáid Mholta |
|---|---|---|
text-embedding-3-large | 3,072 | Ardchruinneas, RAG, cuardach |
text-embedding-3-small | 1,536 | Costas níos ísle, aicmiú, moladh |
Tacaíonn na múnlaí seo le laghdú toiseachta: is féidir leat veicteoir níos giorra a iarraidh, 256 toise mar shampla, chun spás stórála a shábháil le caillteanas rialaithe ar cháilíocht. Mar sin, titann corpas de milliún smután ó roinnt deichní giogabáit go dtí cúpla giogabáit amháin, rud a athraíonn go bunúsach na ceanglais bonneagair.
Príomhphointí
- Tiontaíonn leabú téacs go veicteoir uimhriúil dlúth
- Tá veicteoirí téacsanna atá cosúil ó thaobh na séimeantice de gar dá chéile
- Áirítear ar na príomhchásanna úsáide cuardach, aicmiú, moladh, agus RAG
- Cuireann OpenAI
text-embedding-3-large(3,072 toise) agustext-embedding-3-small(1,536 toise) ar fáil