O Que É um Embedding: A Intuição
Nesta página
Objetivos
- Compreender o que é um embedding e por que é importante
- Captar a intuição geométrica por trás dos vetores de palavras
- Descobrir os principais casos de uso
O Problema: As Máquinas Não Compreendem Texto
Os modelos de linguagem trabalham com números, não com palavras. Antes de uma máquina poder comparar, pesquisar ou raciocinar sobre texto, tem de converter esse texto numa representação numérica utilizável. A questão central é: qual representação?
A Abordagem Ingénua: Saco de Palavras
O método mais simples conta as ocorrências de cada palavra. É direto, mas ignora completamente o significado. Tome as frases «O gato come o rato» e «O rato come o gato»: ambas contêm exatamente as mesmas palavras nas mesmas proporções, pelo que produzem exatamente a mesma representação, embora descrevam cenas opostas. O problema inverso também existe: «Automóvel» e «Carro» referem-se à mesma coisa, mas como são duas cadeias de carateres distintas, a abordagem de saco de palavras trata-as como conceitos não relacionados. A ordem das palavras e os sinónimos — dois pilares da linguagem — escapam totalmente a este método.
Embeddings: Capturar o Significado
Um embedding é um vetor denso — uma lista de números de vírgula flutuante — que capta o significado semântico de um texto. Dois textos com significados semelhantes terão vetores que ficam próximos no espaço, independentemente das palavras específicas utilizadas. Eis como gerar um:
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]}")
Este vetor de 3.072 números codifica o significado da frase, capturando cada dimensão um aspeto diferente da semântica. Não precisa de saber o que representa a dimensão 417: o que importa é que a configuração global permaneça estável e comparável entre textos.
A Intuição Geométrica
Imagine um espaço tridimensional onde cada palavra ou frase ocupa um ponto. «Rei» e «Rainha» acabam lado a lado porque partilham a maior parte do seu significado. «Maçã» e «Laranja» formam outro bairro, longe do primeiro. «Cão» e «Gato» constituem ainda outro agrupamento. É esta organização espacial que torna a comparação possível: medir a distância entre dois pontos equivale a medir a similaridade entre dois significados.
Na realidade, os embeddings modernos utilizam milhares de dimensões — 3.072 para o text-embedding-3-large — permitindo-lhes captar nuances muito mais finas do que o nosso simples modelo mental de três eixos.
A Analogia Famosa
Os embeddings também captam relações semânticas regulares, a ponto de poder manipulá-los usando aritmética. O exemplo clássico é este:
vector("King") - vector("Man") + vector("Woman") ≈ vector("Queen")
Por outras palavras, subtrair a componente «masculino» e adicionar a componente «feminino» desloca o ponto de «Rei» para «Rainha». Esta propriedade mostra que conceitos abstratos como género, realeza ou tamanho são codificados de forma estruturada, e não dispersos ao acaso.
Para Que Servem os Embeddings?
O primeiro caso de uso é a pesquisa semântica: em vez de procurar palavras-chave exatas, compara o significado da consulta com o significado dos documentos. Um visitante que escreva «Como devo alimentar o meu cachorro?» encontrará um artigo intitulado «Alimentação do Cão Jovem», embora as duas frases não partilhem palavras comuns.
O segundo é a classificação: como os textos sobre o mesmo tema se agrupam naturalmente no espaço, pode ordenar automaticamente tickets de suporte, e-mails ou artigos sem escrever uma única regra manual. A recomendação baseia-se no mesmo mecanismo visto do outro lado: para sugerir conteúdo a um utilizador, procura os vetores mais próximos do que este já visualizou.
Finalmente, existe o RAG (Retrieval-Augmented Generation), que enriquece a resposta de um LLM com documentos relevantes encontrados através da similaridade semântica. Este é o caso de uso principal deste curso e combina todos os outros: indexação, comparação e classificação.
O Que Mudou em 2025–2026
A API de Embeddings da OpenAI oferece agora dois modelos principais:
| Modelo | Dimensões | Utilização Recomendada |
|---|---|---|
text-embedding-3-large | 3.072 | Alta precisão, RAG, pesquisa |
text-embedding-3-small | 1.536 | Custo reduzido, classificação, recomendação |
Estes modelos suportam redução de dimensionalidade: pode solicitar um vetor mais curto, por exemplo 256 dimensões, para poupar armazenamento com uma perda de qualidade controlada. Um corpus de um milhão de fragmentos desce assim de várias dezenas de gigabytes para apenas alguns, alterando fundamentalmente os requisitos de infraestrutura.
Resumo
- Um embedding converte texto num vetor numérico denso
- Textos semanticamente semelhantes têm vetores próximos entre si
- Os principais casos de uso incluem pesquisa, classificação, recomendação e RAG
- A OpenAI oferece o
text-embedding-3-large(3.072 dim) e otext-embedding-3-small(1.536 dim)