Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Uvod u ugradnje (Embeddings)

Lekcija 1 od 18 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Što je ugradnja (embedding)?
  2. Vektori i semantički prostor
  3. Udaljenost kao mjera sličnosti
  4. Primjena ugradnji
  5. Zašto Mistral za ugradnje?
  6. Ključne točke

Ažurirano 2. studenoga 2026. — Modeli. Mistral Large 3 (mistral-large-2512) i Mistral Medium 3.5 povučeni su 31. listopada 2026., a bit će trajno uklonjeni 30. travnja 2027. Njihov nasljednik, Mistral Large 4 (mistral-large-4), dostupan je u javnoj pretpreglednoj verziji od 6. listopada. Primjeri u ovom tečaju koriste alias mistral-large-latest, koji prema službenoj specifikaciji (provjereno 3. studenoga 2026.) još uvijek upućuje na Mistral Large 3. Slično tome, mistral-medium-latest upućuje na Mistral Medium 3.5. Ovi aliasi ostat će valjani do 30. travnja 2027. Za nove projekte isprobaj mistral-large-4, njihovog namijenjenog nasljednika.

Što je ugradnja (embedding)?

Ugradnja je numerički prikaz teksta kao vektora u višedimenzionalnom prostoru. Svaka riječ, rečenica ili dokument pretvara se u popis brojeva — vektor — koji bilježi njegovo semantičko značenje. Razlog ove transformacije je jednostavan: računala ne razumiju sirovi tekst; ona rade s brojevima. Ugradnje prevode ljudski jezik u format kojim algoritmi mogu manipulirati, uspoređivati ga i analizirati.

Zamisli tim za korisničku podršku koji arhivira deset godina zahtjeva. Dok ti zahtjevi ostaju običan tekst, jedina moguća mehanička operacija je pretraživanje po točnim ključnim riječima: pretraživanje pojma “isporuka” nikada neće pronaći “otpremu”. Jednom kada se zahtjevi kodiraju kao vektori, oni postaju usporedive točke u prostoru. “Moj paket nikada nije stigao” grupira se s “narudžba nije primljena” iako nemaju zajedničkih riječi.

Vektori i semantički prostor

Zamisli prostor s mnogo dimenzija (1.024 dimenzije za mistral-embed, na primjer). Svaki tekst zauzima preciznu poziciju u tom prostoru, a tekstovi sa sličnim značenjem završavaju geometrijski blizu jedni drugima.

# Ugradnja je jednostavno popis brojeva
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456]  # U stvarnosti 1024 vrijednosti

# Dvije slične rečenice imat će bliske vektore
sentence_1 = "The cat sleeps on the couch"     # -> vektor A
sentence_2 = "The feline dozes on the sofa"    # -> vektor B (blizu A)
sentence_3 = "The stock market crashed yesterday" # -> vektor C (daleko od A i B)

Ovo svojstvo čini ugradnje toliko moćnima: geometrijska bliskost odražava semantičku bliskost. Model nikada nije naučio pravilo da je “feline” sinonim za “cat”. Umjesto toga, naučio je postavljati ove dvije riječi u slične kontekste, što je dovoljno da vektori A i B budu bliže jedan drugome, dok C ostaje odvojen.

1024
Dimenzije za mistral-embed (tekst)
3072
Dimenzije za codestral-embed (kod)
5
Vrste preciznosti (dtype)
< 1s
Latencija API-ja po zahtjevu

Udaljenost kao mjera sličnosti

Da bi se utvrdilo jesu li dva teksta slična, mjeri se udaljenost između njihovih vektora. Tri metrike dominiraju ovim područjem. Euklidska udaljenost odgovara ravnoj crti između dviju točaka: što je crta kraća, to su tekstovi sličniji. Kosinusna sličnost mjeri kut između dva vektora; kut od 0° (kosinus = 1) znači da su tekstovi semantički identični. Konačno, skalarni umnožak (dot product) brz je za izračun, što objašnjava zašto se često koristi za rangiranje.

Kosinusna sličnost postala je standard jer ignorira duljinu vektora. Usporedi sažetak ugovora od tri retka s punim ugovorom od četrdeset stranica. Euklidska udaljenost kažnjava sažetak iako pokriva istu temu, dok kut između ta dva vektora ostaje malen.

import numpy as np

def cosine_similarity(vec_a, vec_b):
    """Izračunaj kosinusnu sličnost između dva vektora."""
    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)

# Rezultat između -1 i 1
# 1.0 = identično, 0.0 = nepovezano, -1.0 = suprotno

Primjena ugradnji

Ugradnje su temelj mnogih modernih aplikacija, pa vrijedi vidjeti kako svaka od njih izgleda u praksi. Semantičko pretraživanje pronalazi dokumente prema značenju, a ne prema točnim ključnim riječima: baza podataka s internim postupcima odgovara na pitanje “što učiniti ako kupac odbije isporuku” čak i ako se postupak zove “upravljanje povratima u skladištu”. RAG (Retrieval-Augmented Generation) ide korak dalje ubacivanjem dohvaćenih dokumenata u upit (prompt) velikog jezičnog modela (LLM), omogućujući mu da odgovara na temelju tvojih podataka, a ne svoje memorije iz obuke.

Tri druge uporabe iskorištavaju istu geometriju. Klasifikacija teksta automatski kategorizira dokumente promatranjem kojoj poznatoj grupi je njihov vektor najbliži — dolazni e-mail završava u “naplati” ili “tehničkoj podršci” bez ikakvih ručno napisanih pravila. Otkrivanje duplikata uočava gotovo identičan sadržaj u bazi podataka, sprječavajući te da objaviš isti opis proizvoda dvaput jer su ga napisala dva različita tima. Grupiranje (clustering) skuplja dokumente po temama bez unaprijed definiranih oznaka, što je česta metoda za razumijevanje korpusa čiju strukturu nitko ne poznaje. Konačno, sustavi za preporuke predlažu sličan sadržaj, točno poput mehanizma “povezani članci” na dnu stranice.

Zašto Mistral za ugradnje?

Mistral nudi dva specijalizirana modela za ugradnje. mistral-embed obrađuje prirodni jezik i proizvodi 1.024 dimenzije; codestral-embed obučen je na izvornom kodu i doseže do 3.072 dimenzije. Biraš između njih ovisno o prirodi tvojeg sirovog materijala: pisana dokumentacija na jednoj strani, .py ili .ts datoteke na drugoj.

Ovi modeli dostupni su putem jednostavnog API-ja s izvrsnim omjerom cijene i performansi. U sljedećim lekcijama naučit ćeš kako ih koristiti u praksi.

Ključne točke

  • Ugradnja pretvara tekst u višedimenzionalni numerički vektor
  • Geometrijska bliskost između vektora odražava semantičku sličnost
  • Kosinusna sličnost najčešća je metrika za usporedbu ugradnji
  • Mistral nudi dva modela: mistral-embed (tekst) i codestral-embed (kod)
  • Ugradnje su temelj RAG-a, semantičkog pretraživanja i grupiranja