Modello di embedding
Modello che converte un testo (parole, frasi, documenti) in un vettore di numeri che ne cattura il significato, in modo che testi semanticamente simili finiscano vicini nello spazio vettoriale. Il motore della ricerca semantica, del RAG e dei sistemi di raccomandazione.
Il meccanismo: a differenza di un LLM generativo (che produce testo), un modello di embedding produce per ogni testo un vettore di dimensione fissa (spesso 384–3072 dimensioni). I vettori sono costruiti in modo che distanza e similarità del coseno corrispondano alla somiglianza di significato: «cane» e «cucciolo» stanno vicini, «cane» e «fisica quantistica» lontani. Si usa per la ricerca vettoriale (trovare documenti simili a una query), il clustering, la classificazione, la deduplicazione e le raccomandazioni. Esempi: text-embedding-3 di OpenAI, Cohere Embed, e open source come BGE, E5 e Sentence-Transformers (SBERT). Un «bi-encoder» codifica query e documento separatamente (veloce, indicizzabile), a differenza di un reranker o cross-encoder (confronta una coppia alla volta, più accurato ma più lento). È il componente di base di tutta l'IA basata su vettori. Collegato a matryoshka embedding ed embedding drift.