Introduzione agli Embedding
In questa pagina
Aggiornato il 2 novembre 2026 — Modelli. Mistral Large 3 (
mistral-large-2512) e Mistral Medium 3.5 sono stati deprecati il 31 ottobre 2026 e verranno ritirati il 30 aprile 2027. Il loro successore designato, Mistral Large 4 (mistral-large-4), è in anteprima pubblica dal 6 ottobre. Gli esempi in questo corso utilizzano l’aliasmistral-large-latest, che punta ancora a Mistral Large 3 secondo le sue specifiche ufficiali (verificato il 3 novembre 2026). Allo stesso modo,mistral-medium-latestpunta a Mistral Medium 3.5. Questi alias rimarranno validi fino al 30 aprile 2027. Per i nuovi progetti, testamistral-large-4, il loro successore designato.
Cos’è un embedding?
Un embedding è una rappresentazione numerica del testo sotto forma di vettore in uno spazio multidimensionale. Ogni parola, frase o documento si trasforma in una lista di numeri, un vettore, che ne cattura il significato semantico. La ragione di questa trasformazione è semplice: i computer non comprendono il testo grezzo; lavorano con i numeri. Gli embedding traducono il linguaggio umano in un formato che gli algoritmi possono manipolare, confrontare e analizzare.
Immagina un team di supporto clienti che archivia dieci anni di ticket. Finché quei ticket rimangono testo semplice, l’unica operazione meccanica possibile è la ricerca esatta per parole chiave: cercare “consegna” non troverà mai “spedizione”. Una volta codificati i ticket come vettori, diventano punti comparabili nello spazio. “Il mio pacco non è mai arrivato” si raggruppa con “ordine non ricevuto” anche se non condividono alcuna parola comune.
Vettori e spazio semantico
Immagina uno spazio con molte dimensioni (1.024 dimensioni per mistral-embed, ad esempio). Ogni testo occupa una posizione precisa in questo spazio e i testi con significati simili finiscono geometricamente vicini l’uno all’altro.
# Un embedding è semplicemente una lista di numeri
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456] # 1024 values in reality
# Due frasi simili avranno vettori vicini
sentence_1 = "The cat sleeps on the couch" # -> vector A
sentence_2 = "The feline dozes on the sofa" # -> vector B (close to A)
sentence_3 = "The stock market crashed yesterday" # -> vector C (far from A and B)
Questa proprietà è ciò che rende gli embedding così potenti: la prossimità geometrica riflette la prossimità semantica. Il modello non ha mai imparato una regola che afferma che “feline” è un sinonimo di “cat”. Invece, ha imparato a collocare queste due parole in contesti simili, il che è sufficiente ad avvicinare i vettori A e B mantenendo C distante.
La distanza come misura di similarità
Per determinare se due testi sono simili, misuri la distanza tra i loro vettori. Tre metriche dominano il settore. La distanza euclidea corrisponde alla linea retta tra due punti: più corta è la linea, più simili sono i testi. La similarità del coseno misura l’angolo tra due vettori; un angolo di 0° (coseno = 1) significa che i testi sono semanticamente identici. Infine, il prodotto scalare è veloce da calcolare, motivo per cui viene comunemente utilizzato per il ranking.
La similarità del coseno è diventata lo standard perché ignora la lunghezza del vettore. Confronta un riassunto contrattuale di tre righe con il contratto completo di quaranta pagine. La distanza euclidea penalizza il riassunto anche se copre esattamente lo stesso argomento, mentre l’angolo tra i due vettori rimane piccolo.
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
Applicazioni degli embedding
Gli embedding sono alla base di molte applicazioni moderne e vale la pena vedere come si presenta ciascuna nella pratica. La ricerca semantica trova documenti per significato piuttosto che per parole chiave esatte: un database interno delle procedure risponde a “cosa fare se un cliente rifiuta la consegna” anche se la procedura si intitola “gestione dei resi al deposito”. Il RAG (Retrieval-Augmented Generation) spinge oltre questa logica iniettando documenti recuperati nel prompt di un LLM, permettendogli di rispondere basandosi sui tuoi dati piuttosto che sulla sua memoria di addestramento.
Tre altri casi d’uso sfruttano la stessa geometria. La classificazione del testo categorizza automaticamente i documenti osservando a quale gruppo noto il loro vettore è più vicino: un’email in arrivo finisce in “fatturazione” o “tecnico” senza alcuna regola scritta a mano. Il rilevamento dei duplicati individua contenuti quasi identici in un database, impedendoti di pubblicare due volte la stessa scheda prodotto perché due team l’hanno scritta. Il clustering raggruppa i documenti per tema senza etichette predefinite, un metodo comune per dare senso a un corpus la cui struttura nessuno conosce. Infine, i sistemi di raccomandazione suggeriscono contenuti simili, esattamente come il meccanismo degli “articoli correlati” in fondo a una pagina.
Perché Mistral per gli embedding?
Mistral offre due modelli di embedding specializzati. mistral-embed gestisce il linguaggio naturale e produce 1.024 dimensioni; codestral-embed è addestrato sul codice sorgente e arriva fino a 3.072 dimensioni. Scegli tra loro in base alla natura del tuo materiale grezzo: documentazione scritta da un lato, file .py o .ts dall’altro.
Questi modelli sono accessibili tramite una semplice API con un eccellente rapporto prezzo-prestazioni. Nelle prossime lezioni imparerai come utilizzarli nella pratica.
Punti chiave
- Un embedding trasforma il testo in un vettore numerico multidimensionale
- La prossimità geometrica tra i vettori riflette la similarità semantica
- La similarità del coseno è la metrica più comune per confrontare gli embedding
- Mistral offre due modelli: mistral-embed (testo) e codestral-embed (codice)
- Gli embedding sono la base del RAG, della ricerca semantica e del clustering