Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Čo je to vkladanie (embedding): Intuícia

Lekcia 1 z 22 Aktualizované 29. júla 2026 Vývojár
Na tejto strane
  1. Ciele
  2. Problém: Stroje nerozumejú textu
  3. Vkladania (Embeddings): Zachytenie významu
  4. Geometrická intuícia
  5. Na čo sa vkladania používajú?
  6. Čo sa zmenilo v rokoch 2025–2026
  7. Zhrnutie

Ciele

  • Pochopiť, čo je to vkladanie (embedding) a prečo je dôležité
  • Osvojiť si geometrickú intuíciu za vektormi slov
  • Objaviť hlavné prípady použitia

Problém: Stroje nerozumejú textu

Jazykové modely pracujú s číslami, nie so slovami. Skôr než bude môcť stroj porovnávať, vyhľadávať alebo usudzovať o texte, musíš tento text previesť na použiteľnú číselnú reprezentáciu. Kľúčovou otázkou zostáva: akú reprezentáciu zvoliť?

Naivný prístup: Bag of Words (Vrece slov)

Najjednoduchšia metóda spočíva v počítaní výskytov každého slova. Je síce priamočiara, no úplne ignoruje význam. Vezmi si vetu „Mačka žerie myš“ a „Myš žerie mačku“: obe vety obsahujú presne tie isté slová v rovnakom pomere, takže vytvoria úplne rovnakú reprezentáciu, hoci opisujú opačné situácie. Existuje aj opačný problém: „Automobil“ a „Auto“ označujú tú istú vec, no keďže ide o dva odlišné reťazce znakov, prístup bag-of-words ich považuje za nesúvisiace pojmy. Poradie slov a synonymá – dva pilier jazyka – sa tejto metóde úplne vymykajú.

Vkladania (Embeddings): Zachytenie významu

Vkladanie (embedding) je hustý vektor – zoznam čísel s pohyblivou desatinnou čiarkou – ktorý zachytáva sémantický význam textu. Dva texty s podobným významom budú mať vektory, ktoré sa v priestore nachádzajú blízko seba, bez ohľadu na konkrétne použité slová. Takto vygeneruješ jeden:

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]}")

Tento vektor 3 072 čísel zakóduje význam vety, pričom každá dimenzia zachytáva iný aspekt sémantiky. Nepotrebuješ vedieť, čo predstavuje dimenzia 417: dôležité je, že celková konfigurácia zostáva stabilná a porovnateľná naprieč textami.

Geometrická intuícia

Predstav si trojrozmerný priestor, v ktorom každé slovo alebo fráza zaujíma určitý bod. „Kráľ“ a „Kráľovná“ sa ocitnú vedľa seba, pretože zdieľajú väčšinu svojho významu. „Jablko“ a „Pomaranč“ tvoria inú štvrť, vzdialenú od tej prvej. „Pes“ a „Mačka“ vytvárajú ďalší zhluk. Práve táto priestorová organizácia umožňuje porovnávanie: meranie vzdialenosti medzi dvoma bodmi je ekvivalentné meraniu podobnosti medzi dvoma význammi.

V skutočnosti moderné vkladania využívajú tisíce dimenzií – 3 072 pre text-embedding-3-large – čo im umožňuje zachytiť nuansy oveľa jemnejšie než náš jednoduchý mentálny model s tromi osami.

Slávna analógia

Vkladania zachytávajú aj pravidelné sémantické vzťahy, a to do takej miery, že s nimi môžeš manipulovať pomocou aritmetiky. Klasický príklad vyzerá takto:

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

Inými slovami, odčítanie zložky „muž“ a pridanie zložky „žena“ posunie bod od „Kráľa“ smerom ku „Kráľovnej“. Táto vlastnosť ukazuje, že abstraktné pojmy ako rod, kráľovský pôvod alebo veľkosť sú zakódované štruktúrovaným spôsobom, nie náhodne roztrúsené.

Na čo sa vkladania používajú?

Prvým prípadom použitia je sémantické vyhľadávanie: namiesto hľadania presných kľúčových slov porovnávaš význam dotazu s významom dokumentov. Návštevník, ktorý zadá „Ako mám kŕmiť svoje šteniatko?“, nájde článok s názvom „Kŕmenie mladého psa“, hoci tieto dve frázy nemajú žiadne spoločné slová.

Druhým prípadom je klasifikácia: keďže texty na rovnakú tému sa v priestore prirodzene zhlukujú, môžeš automaticky triediť podporné tikety, e-maily alebo články bez toho, aby si musel napísať jediné manuálne pravidlo. Odporúčanie spolieha na ten istý mechanizmus, len pohľad je obrátený: aby si používateľovi navrhol obsah, hľadáš vektory najbližšie k tým, ktoré už videl.

Nakoniec tu máme RAG (Retrieval-Augmented Generation – generovanie rozšírené o vyhľadávanie), ktoré obohacuje odpoveď veľkého jazykového modelu (LLM) o relevantné dokumenty nájdené prostredníctvom sémantickej podobnosti. Toto je vlajkovou loďou tohto kurzu a kombinuje všetky ostatné prípady: indexovanie, porovnávanie a hodnotenie.

Čo sa zmenilo v rokoch 2025–2026

API pre vkladania od OpenAI teraz ponúka dva hlavné modely:

ModelDimenzieOdporúčané použitie
text-embedding-3-large3 072Vysoká presnosť, RAG, vyhľadávanie
text-embedding-3-small1 536Nižšie náklady, klasifikácia, odporúčanie

Tieto modely podporujú redukciu dimenzionality: môžeš si vyžiadať kratší vektor, napríklad s 256 dimenziami, aby si ušetril miesto na úložisku pri kontrolovanej strate kvality. Korpus s jedným miliónom chunkov (častí) tak klesne z niekoľkých desiatok gigabajtov na len niekoľko, čo zásadne mení požiadavky na infraštruktúru.

Zhrnutie

  • Vkladanie prevádza text na hustý číselný vektor
  • Sémanticky podobné texty majú vektory, ktoré sú blízko seba
  • Medzi hlavné prípady použitia patrí vyhľadávanie, klasifikácia, odporúčanie a RAG
  • OpenAI ponúka text-embedding-3-large (3 072 dimenzií) a text-embedding-3-small (1 536 dimenzií)