Inleiding tot Embeddings
Op deze pagina
Bijgewerkt op 2 november 2026 — Modellen. Mistral Large 3 (
mistral-large-2512) en Mistral Medium 3.5 zijn op 31 oktober 2026 verouderd en worden op 30 april 2027 uitgefaseerd. Hun aangewezen opvolger, Mistral Large 4 (mistral-large-4), is sinds 6 oktober beschikbaar in openbare preview. De voorbeelden in deze cursus gebruiken de aliasmistral-large-latest, die volgens de officiële specificatie (geverifieerd op 3 november 2026) nog steeds verwijst naar Mistral Large 3. Evenzo verwijstmistral-medium-latestnaar Mistral Medium 3.5. Deze aliassen blijven geldig tot 30 april 2027. Test voor nieuwe projectenmistral-large-4, hun aangewezen opvolger.
Wat is een embedding?
Een embedding is een numerieke weergave van tekst als een vector in een multidimensionale ruimte. Elk woord, elke zin of elk document wordt omgezet in een lijst met getallen—een vector—die de semantische betekenis vastlegt. De reden voor deze transformatie is eenvoudig: computers begrijpen ruwe tekst niet; ze werken met getallen. Embeddings vertalen menselijke taal naar een formaat dat algoritmen kunnen manipuleren, vergelijken en analyseren.
Stel u een klantenserviceteam voor dat tien jaar aan tickets archiveert. Zolang die tickets als platte tekst blijven, is de enige mechanische bewerking die mogelijk is een exacte zoekopdracht op trefwoorden: zoeken naar “levering” vindt nooit “verzending”. Zodra de tickets als vectoren worden gecodeerd, worden ze vergelijkbare punten in de ruimte. “Mijn pakket is nooit aangekomen” clusteren met “bestelling niet ontvangen”, ook al hebben ze geen gemeenschappelijke woorden.
Vectoren en semantische ruimte
Stel u een ruimte voor met vele dimensies (bijvoorbeeld 1.024 dimensies voor mistral-embed). Elke tekst neemt een precieze positie in deze ruimte in en teksten met vergelijkbare betekenissen komen geometrisch dicht bij elkaar te liggen.
# Een embedding is simpelweg een lijst met getallen
embedding_example = [0.0234, -0.1567, 0.0891, 0.0456] # In werkelijkheid 1024 waarden
# Twee vergelijkbare zinnen hebben vectoren die dicht bij elkaar liggen
sentence_1 = "The cat sleeps on the couch" # -> vector A
sentence_2 = "The feline dozes on the sofa" # -> vector B (dicht bij A)
sentence_3 = "The stock market crashed yesterday" # -> vector C (ver van A en B)
Deze eigenschap maakt embeddings zo krachtig: geometrische nabijheid weerspiegelt semantische nabijheid. Het model heeft nooit een regel geleerd die stelt dat “feline” een synoniem is voor “cat”. In plaats daarvan leerde het deze twee woorden in vergelijkbare contexten te plaatsen, wat volstaat om vectoren A en B dichter bij elkaar te brengen terwijl C apart blijft.
Afstand als maatstaf voor gelijkenis
Om te bepalen of twee teksten vergelijkbaar zijn, meet u de afstand tussen hun vectoren. Drie metrieken domineren het veld. Euclidische afstand komt overeen met de rechte lijn tussen twee punten: hoe korter de lijn, hoe vergelijkbaarder de teksten. Cosinusgelijkenis meet de hoek tussen twee vectoren; een hoek van 0° (cosinus = 1) betekent dat de teksten semantisch identiek zijn. Tot slot is het inproduct snel te berekenen, wat verklaart waarom het vaak wordt gebruikt voor ranking.
Cosinusgelijkenis werd de standaard omdat deze de vectorlengte negeert. Vergelijk een samenvatting van een contract van drie regels met het volledige contract van veertig pagina’s. Euclidische afstand straft de samenvatting af, ook al behandelt deze exact hetzelfde onderwerp, terwijl de hoek tussen de twee vectoren klein blijft.
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)
# Resultaat tussen -1 en 1
# 1.0 = identiek, 0.0 = geen verband, -1.0 = tegengesteld
Toepassingen van embeddings
Embeddings vormen de basis van veel moderne toepassingen en het is de moeite waard om te zien hoe elk er in de praktijk uitziet. Semantisch zoeken vindt documenten op basis van betekenis in plaats van exacte trefwoorden: een interne procedure-database beantwoordt “wat te doen als een klant levering weigert”, zelfs als de procedure getiteld is “retourbeheer in het depot”. RAG (Retrieval-Augmented Generation) gaat nog een stap verder door opgehaalde documenten in de prompt van een LLM te injecteren, waardoor het model antwoorden kan geven op basis van uw gegevens in plaats van zijn trainingsgeheugen.
Drie andere use cases maken gebruik van dezelfde geometrie. Tekstclassificatie categoriseert documenten automatisch door te observeren bij welke bekende groep hun vector het dichtst ligt; een binnenkomende e-mail belandt in “facturatie” of “technisch” zonder handgeschreven regels. Detectie van duplicaten spoort bijna-identieke inhoud in een database op, waardoor u voorkomt dat u hetzelfde productblad twee keer publiceert omdat twee teams het hebben geschreven. Clustering groepeert documenten op thema zonder vooraf gedefinieerde labels, een veelgebruikte methode om inzicht te krijgen in een corpus waarvan niemand de structuur kent. Tot slot suggereren aanbevelingssystemen vergelijkbare inhoud, precies zoals het mechanisme “gerelateerde artikelen” onderaan een pagina.
Waarom Mistral voor embeddings?
Mistral biedt twee gespecialiseerde embedding-modellen. mistral-embed verwerkt natuurlijke taal en produceert 1.024 dimensies; codestral-embed is getraind op broncode en gaat tot 3.072 dimensies. U kiest tussen beide op basis van de aard van uw ruwe materiaal: geschreven documentatie aan de ene kant, .py- of .ts-bestanden aan de andere.
Deze modellen zijn toegankelijk via een eenvoudige API met een uitstekende prijs-kwaliteitverhouding. In de volgende lessen leert u hoe u ze in de praktijk gebruikt.
Belangrijkste punten
- Een embedding transformeert tekst naar een multidimensionale numerieke vector
- Geometrische nabijheid tussen vectoren weerspiegelt semantische gelijkenis
- Cosinusgelijkenis is de meest voorkomende metriek voor het vergelijken van embeddings
- Mistral biedt twee modellen: mistral-embed (tekst) en codestral-embed (code)
- Embeddings vormen de basis van RAG, semantisch zoeken en clustering