Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Bevezetés a beágyazásokba

1. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Mi az a beágyazás (embedding)?
  2. Vektorok és szemantikai tér
  3. A távolság mint a hasonlóság mértéke
  4. A beágyazások alkalmazási területei
  5. Miért a Mistral a beágyazásokhoz?
  6. Főbb megállapítások

Frissítve: 2026. november 2. – Modellek. A Mistral Large 3 (mistral-large-2512) és a Mistral Medium 3.5 modelleket 2026. október 31-én elavulttá nyilvánították, és 2027. április 30-án végleg kivezetik őket. A kijelölt utódjuk, a Mistral Large 4 (mistral-large-4) már október 6. óta elérhető nyilvános előzetes verzióban. A tanfolyam példái a mistral-large-latest álnevet használják, amely a hivatalos specifikáció szerint még mindig a Mistral Large 3-ra mutat (ellenőrizve: 2026. november 3.). Hasonlóképpen, a mistral-medium-latest a Mistral Medium 3.5-re mutat. Ezek az álnevek 2027. április 30-ig maradnak érvényben. Új projektek esetén teszteld a kijelölt utódot, a mistral-large-4 modellt.

Mi az a beágyazás (embedding)?

A beágyazás (embedding) a szöveg numerikus reprezentációja egy többdimenziós térben lévő vektorként. Minden szó, mondat vagy dokumentum átalakul egy számlistává – egy vektorrá –, amely megragadja a szemantikai jelentését. Ennek az átalakításnak az oka egyszerű: a számítógépek nem értik a nyers szöveget; számokkal dolgoznak. A beágyazások az emberi nyelvet olyan formátumba fordítják, amelyet az algoritmusok manipulálni, összehasonlítani és elemezni tudnak.

Képzeld el egy ügyfélszolgálati csapatot, amely tíz évnyi hibajegyet archivál. Amíg ezek a jegyek sima szövegként maradnak, az egyetlen lehetséges gépi művelet a pontos kulcsszavas keresés: a „szállítás“ kifejezésre történő keresés sosem találja meg a „küldemény“ szót. Ha azonban a jegyeket vektorokká kódoljuk, összehasonlítható pontokká válnak a térben. A „A csomagom sosem érkezett meg“ mondat egy csoportba kerül a „A rendelést nem kaptam meg“ kifejezéssel, még akkor is, ha nincs közös szavuk.

Vektorok és szemantikai tér

Képzeld el egy teret sok dimenzióval (például 1024 dimenziót a mistral-embed esetén). Minden szöveg elfoglal egy pontos pozíciót ebben a térben, és a hasonló jelentésű szövegek geometriailag közel kerülnek egymáshoz.

# A beágyazás egyszerűen egy számlista
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456]  # a valóságban 1024 érték

# Két hasonló mondat vektora közel lesz egymáshoz
sentence_1 = "The cat sleeps on the couch"     # -> A vektor
sentence_2 = "The feline dozes on the sofa"    # -> B vektor (közel az A-hoz)
sentence_3 = "The stock market crashed yesterday" # -> C vektor (távol az A-tól és B-től)

Ez a tulajdonság teszi a beágyazásokat olyan erőteljessé: a geometriai közelség a szemantikai közelséget tükrözi. A modell sosem tanult meg egy szabályt, miszerint a „feline“ (macskaféle) szinonimája a „cat“-nek (macska). Ehelyett megtanulta, hogy ezeket a szavakat hasonló kontextusokba helyezze, ami elég ahhoz, hogy az A és B vektorokat közelebb hozza egymáshoz, miközben a C-t távol tartja tőlük.

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

A távolság mint a hasonlóság mértéke

Annak meghatározásához, hogy két szöveg hasonló-e, megméred a vektoraik közötti távolságot. Három metrika dominálja a területet. Az euklideszi távolság megfelel a két pont közötti egyenes vonalnak: minél rövidebb a vonal, annál hasonlóbbak a szövegek. A koszinusz-hasonlóság a két vektor közötti szöget méri; a 0°-os szög (koszinusz = 1) azt jelenti, hogy a szövegek szemantikailag azonosak. Végül a skaláris szorzat (dot product) gyorsan számítható, ami megmagyarázza, miért használják gyakran rangsorolásra.

A koszinusz-hasonlóság vált szabvánnyá, mert figyelmen kívül hagyja a vektor hosszát. Hasonlíts össze egy háromsoros szerződés-összefoglalót a teljes, negyvenoldalas szerződéssel. Az euklideszi távolság bünteti az összefoglalót, még akkor is, ha pontosan ugyanarról a témáról szól, míg a két vektor közötti szög kicsi marad.

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

A beágyazások alkalmazási területei

A beágyazások számos modern alkalmazás alapját képezik, és érdemes megnézni, hogyan néznek ki ezek a gyakorlatban. A szemantikai keresés jelentés alapján talál meg dokumentumokat, nem pedig pontos kulcsszavak alapján: egy belső eljárásadatbázis választ ad arra a kérdésre, hogy „mit tegyek, ha egy ügyfél visszautasítja a kézbesítést“, még akkor is, ha az eljárás címe „áruk visszaküldésének kezelése a depóban“. A RAG (Retrieval-Augmented Generation – Lekérdezéssel Bővített Generálás) továbbviszi ezt a logikát azáltal, hogy a lekért dokumentumokat betölti egy nagy nyelvi modell (LLM) promptjába, lehetővé téve számára, hogy a saját adataid alapján válaszoljon, ne pedig a betanítási memóriája alapján.

Három további felhasználási eset épít ugyanerre a geometriára. A szövegosztályozás automatikusan kategorizálja a dokumentumokat azáltal, hogy megfigyeli, melyik ismert csoporthoz állnak legközelebb a vektoraik – egy bejövő e-mail a „számlázás“ vagy a „műszaki támogatás“ kategóriába kerül kézzel írt szabályok nélkül. A duplikáció-észlelés felismeri a szinte azonos tartalmakat az adatbázisban, megakadályozva, hogy ugyanazt a termékleírást kétszer tedd közzé, csak mert két különböző csapat írta meg. A klaszterezés témák szerint csoportosítja a dokumentumokat előre definiált címkék nélkül; ez egy gyakori módszer olyan korpuszok szerkezetének megértésére, amelyek felépítése senki számára nem ismert. Végül az ajánlórendszerek hasonló tartalmakat javasolnak, pontosan úgy, mint a „kapcsolódó cikkek“ mechanizmus egy oldal alján.

Miért a Mistral a beágyazásokhoz?

A Mistral két specializált beágyazási modellt kínál. A mistral-embed a természetes nyelvet kezeli, és 1024 dimenziót állít elő; a codestral-embed forráskódon van betanítva, és akár 3072 dimenzióig is elmegy. A nyersanyagod jellege alapján választasz közöttük: az egyik oldalon az írott dokumentáció, a másikon a .py vagy .ts fájlok állnak.

Ezek a modellek egy egyszerű API-n keresztül érhetők el, kiváló ár-érték aránnyal. A következő leckékben megtanulod, hogyan használd őket a gyakorlatban.

Főbb megállapítások

  • A beágyazás a szöveget többdimenziós numerikus vektommá alakítja
  • A vektorok közötti geometriai közelség a szemantikai hasonlóságot tükrözi
  • A koszinusz-hasonlóság a leggyakoribb metrika a beágyazások összehasonlítására
  • A Mistral két modellt kínál: mistral-embed (szöveg) és codestral-embed (kód)
  • A beágyazások alkotják a RAG, a szemantikai keresés és a klaszterezés alapját