Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Cos'è un Embedding: L'intuizione

Lezione 1 di 22 Aggiornata il 29 luglio 2026 Sviluppatore
In questa pagina
  1. Obiettivi
  2. Il problema: le macchine non capiscono il testo
  3. Embedding: catturare il significato
  4. L’intuizione geometrica
  5. A cosa servono gli embedding?
  6. Cosa è cambiato nel 2025–2026
  7. Punti chiave

Obiettivi

  • Comprendere cos’è un embedding e perché è importante
  • Afferrare l’intuizione geometrica dietro i vettori di parole
  • Scoprire i principali casi d’uso

Il problema: le macchine non capiscono il testo

I modelli linguistici lavorano con i numeri, non con le parole. Prima che una macchina possa confrontare, cercare o ragionare sul testo, devi convertire quel testo in una rappresentazione numerica utilizzabile. La domanda chiave è: quale rappresentazione?

L’approccio ingenuo: Bag of Words

Il metodo più semplice conta le occorrenze di ogni parola. È diretto, ma ignora completamente il significato. Prendi «Il gatto mangia il topo» e «Il topo mangia il gatto»: entrambe le frasi contengono esattamente le stesse parole nelle stesse proporzioni, quindi producono la stessa identica rappresentazione, anche se descrivono scene opposte. Esiste anche il problema inverso: «Automobile» e «Macchina» si riferiscono alla stessa cosa, ma poiché sono due stringhe di caratteri distinte, l’approccio bag-of-words le tratta come concetti non correlati. L’ordine delle parole e i sinonimi, due pilastri del linguaggio, sfuggono completamente a questo metodo.

Embedding: catturare il significato

Un embedding è un vettore denso, ovvero una lista di numeri in virgola mobile, che cattura il significato semantico di un testo. Due testi con significati simili avranno vettori che si trovano vicini nello spazio, indipendentemente dalle parole specifiche utilizzate. Ecco come generarne uno:

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]}")

Questo vettore di 3.072 numeri codifica il significato della frase, dove ogni dimensione cattura un aspetto diverso della semantica. Non hai bisogno di sapere cosa rappresenta la dimensione 417: ciò che conta è che la configurazione complessiva rimanga stabile e confrontabile tra i testi.

L’intuizione geometrica

Immagina uno spazio tridimensionale in cui ogni parola o frase occupa un punto. «Re» e «Regina» finiscono uno accanto all’altra perché condividono la maggior parte del loro significato. «Mela» e «Arancia» formano un altro quartiere, lontano dal primo. «Cane» e «Gatto» costituiscono un altro cluster ancora. Questa organizzazione spaziale è ciò che rende possibile il confronto: misurare la distanza tra due punti equivale a misurare la similarità tra due significati.

In realtà, gli embedding moderni utilizzano migliaia di dimensioni, 3.072 per text-embedding-3-large, permettendo loro di catturare sfumature molto più fini rispetto al nostro semplice modello mentale a tre assi.

La famosa analogia

Gli embedding catturano anche relazioni semantiche regolari, al punto da poterli manipolare usando l’aritmetica. L’esempio classico appare così:

vector("King") - vector("Man") + vector("Woman") ≈ vector("Queen")

In altre parole, sottraendo la componente «maschile» e aggiungendo la componente «femminile» si sposta il punto da «Re» verso «Regina». Questa proprietà dimostra che concetti astratti come genere, regalità o dimensione sono codificati in modo strutturato, non dispersi casualmente.

A cosa servono gli embedding?

Il primo caso d’uso è la ricerca semantica: invece di cercare parole chiave esatte, confronti il significato della query con il significato dei documenti. Un visitatore che digita «Come devo nutrire il mio cucciolo?» troverà un articolo intitolato «Alimentazione del cane giovane», anche se le due frasi non condividono alcuna parola comune.

Il secondo è la classificazione: poiché i testi sullo stesso argomento si raggruppano naturalmente nello spazio, puoi ordinare automaticamente ticket di supporto, e-mail o articoli senza scrivere una singola regola manuale. La raccomandazione si basa sullo stesso meccanismo visto dall’altra parte: per suggerire contenuti a un utente, cerchi i vettori più vicini a ciò che ha già visualizzato.

Infine, c’è il RAG (Retrieval-Augmented Generation), che arricchisce la risposta di un LLM con documenti pertinenti trovati tramite similarità semantica. Questo è il caso d’uso principale di questo corso e combina tutti gli altri: indicizzazione, confronto e classificazione.

Cosa è cambiato nel 2025–2026

L’API Embeddings di OpenAI offre ora due modelli principali:

ModelloDimensioniUso consigliato
text-embedding-3-large3.072Alta precisione, RAG, ricerca
text-embedding-3-small1.536Costo inferiore, classificazione, raccomandazione

Questi modelli supportano la riduzione della dimensionalità: puoi richiedere un vettore più corto, ad esempio 256 dimensioni, per risparmiare spazio di archiviazione con una perdita di qualità controllata. Un corpus di un milione di chunk scende così da diverse decine di gigabyte a pochi, cambiando fondamentalmente i requisiti infrastrutturali.

Punti chiave

  • Un embedding converte il testo in un vettore numerico denso
  • I testi semanticamente simili hanno vettori vicini tra loro
  • I casi d’uso principali includono ricerca, classificazione, raccomandazione e RAG
  • OpenAI offre text-embedding-3-large (3.072 dim) e text-embedding-3-small (1.536 dim)