Passa al contenuto principale

Embedding e ricerca vettoriale

Intermedio

Un embedding trasforma un testo in un elenco di numeri (un vettore) che ne cattura il significato. Testi con significato simile ottengono vettori vicini fra loro — anche se non condividono alcuna parola. È il trucco dietro la ricerca semantica e la RAG.

What you'll learn
  • Immaginare un embedding come un punto in uno spazio organizzato in modo che i significati simili stiano vicini
  • Distinguere la ricerca per parole chiave da quella semantica — e capire perché di solito vince la ricerca ibrida
  • Percorrere i quattro passi di una ricerca vettoriale, dal chunking alla ricerca del vicino più prossimo
  • Evitare i tre errori che rovinano in silenzio la qualità del recupero: chunk di dimensione sbagliata, modelli di embedding mescolati e assenza di filtri sui metadati
  • Decidere quando serve davvero un database vettoriale e quando no

L'intuizione​

Immagina ogni frase collocata come un punto in un enorme spazio multidimensionale, disposto in modo che i significati simili stiano vicini. "Come reimposto la password?" finisce vicino a "Ho dimenticato il mio login", e lontano da "la migliore pizza a Roma".

Ricerca semantica vs per parole chiave​

  • La ricerca per parole chiave cerca corrispondenze con le parole letterali ("password" trova "password").
  • La ricerca semantica cerca corrispondenze di significato — "non riesco ad accedere" trova il documento di reset della password anche senza la parola "password".

I risultati migliori spesso combinano le due (ricerca ibrida).

Come funziona una ricerca vettoriale​

Guided walkthrough1 of 4
  1. Prima dividi ogni documento in chunk, poi calcola l'embedding di ciascun chunk e salva i vettori in un database vettoriale. È il passo che fai una volta sola, in anticipo.

Note pratiche​

  • Il chunking conta. Troppo grandi = corrispondenze rumorose; troppo piccoli = contesto perso. Calibralo.
  • Usa un solo modello di embedding in modo coerente — i vettori di modelli diversi non sono confrontabili.
  • Metadati + filtri (data, fonte, tipo) rendono il recupero molto più preciso.
  • Un database vettoriale non serve sempre — per corpus piccoli basta una semplice ricerca in memoria.
Premi Invio o Spazio per girare la carta. Usa le frecce sinistra e destra per spostarti tra le carte.Termine mostrato.
1 / 9

Check yourself

0/3
  1. Un utente cerca "non riesco ad accedere" e riceve il documento di reset della password, che non usa mai le parole "accedere". Cosa ha reso possibile il risultato?
  2. Rifai l'embedding dei documenti con un modello più recente ma lasci intatto il percorso delle query. Cosa si rompe?
  3. I chunk recuperati sono pertinenti per argomento ma continuano a mancare il dettaglio necessario alla risposta. Quale parametro è il primo sospettato?
Key takeaways
  • Un embedding è il significato come punto nello spazio — la vicinanza indica significato simile, non parole condivise.
  • La ricerca semantica trova ciò che la ricerca per parole chiave perde, ma di solito la ricerca ibrida batte entrambe.
  • Quattro passi: embedding e salvataggio dei chunk, embedding della query, ricerca dei vettori più vicini, restituzione dei chunk.
  • Un solo modello di embedding, usato in modo coerente su entrambi i lati. I vettori di modelli diversi non sono confrontabili.
  • Dimensione dei chunk e filtri sui metadati fanno più per la qualità del recupero della scelta del database vettoriale.
  • Per un corpus piccolo basta una semplice ricerca in memoria — un database vettoriale non è un requisito.

Prossimi passi​