ما هي Embeddings (تمثيلات المتجهات)
إن embedding قائمة من الأرقام تمثل معنى النص؛ فالنصوص المتشابهة لها متجهات متشابهة.
ما هي Embeddings (تمثيلات المتجهات) درس مجاني في AI Agents على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في AI Agents، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Agents 4 دروس في المجموع.
من النص إلى الأرقام
التضمين هو قائمة من الأرقام، أي متجه، تمثل معنى جزء من النص. وتمتلك النصوص المتشابهة في المعنى متجهات متقاربة في فضاء المتجهات.
لماذا المتجهات؟
لا تستطيع الحواسيب إجراء العمليات الحسابية على الكلمات، لكنها تستطيع ذلك على الأرقام. تمنح التضمينات كل نص موقعًا في فضاء عالِ الأبعاد، حتى نتمكن من:
- قياس التشابه بين النصوص
- تجميع العناصر المرتبطة
- البحث الدلالي، وليس البحث بالكلمات المفتاحية فقط
مثال على التضمين
يعيد نموذج OpenAI text-embedding-3-small عددًا يبلغ 1536 رقمًا لكل نص. وبالنسبة إلى «مرحبًا بالعالم»، ستحصل على شيء يشبه:
embedding = [0.0123, -0.0456, 0.0789, 0.0234, -0.0567, 0.0089, -0.0321]
# Real embeddings have ~1536 floats, each between roughly -1 and 1; this is a shortened example.
print("Example embedding (7 of ~1536 dimensions shown):", embedding)
النصوص المتشابهة، والمتجهات المتشابهة
تحصل الأزواج التالية على متجهات متقاربة:
- «king» و«queen»
- «happy» و«joyful»
- «car» و«automobile»
أما الزوج «king» و«pizza»، فيحصل على متجهات متباعدة.
الأبعاد
المزيد من الأبعاد = مزيد من الدقة، لكن مزيد من التخزين أيضًا. الأحجام الشائعة:
- OpenAI text-embedding-3-small: 1536
- OpenAI text-embedding-3-large: 3072
- Cohere embed-multilingual-v3: 1024
- BGE-small (OSS): 384
الدلالي مقابل المعجمي
يطابق البحث المعجمي، مثل Elasticsearch وBM25، الكلمات المفتاحية. أما البحث الدلالي، أي التضمينات، فيطابق المعنى.
تتطابق عبارة «كيف أصلح سيارتي؟» دلاليًا مع «نصائح لإصلاح السيارات»، رغم عدم اشتراكهما في أي كلمة.
تضمينات المستندات
يمكنك إنشاء تضمينات لـ:
- الاستعلامات القصيرة
- الجمل
- الفقرات، حيث تمثل ~500 رمز النقطة المثلى
- المستندات الكاملة، مع انخفاض في الجودة
تضمينات الشيفرة
توجد نماذج تضمين مخصصة للشيفرة، مثل Voyage Code وJina Code، تفهم بنية البرمجة وتتجاوز أداء تضمينات النص العامة في البحث عن الشيفرة.
التضمينات متعددة الوسائط
يمكنك تضمين الصور والصوت والفيديو في الفضاء نفسه الذي يوجد فيه النص، مما يتيح البحث عبر الوسائط. ويُعد CLIP المثال الشهير للصور.
التحيز في التضمينات
تعكس التضمينات بيانات التدريب الخاصة بها. فهي ترمّز التحيز، مثل الارتباطات بين الجنس والمهنة والصور النمطية العرقية وغير ذلك. انتبه عند استخدامها لاتخاذ قرارات تصنيف تتعلق بالأشخاص.
ما لا تستطيع التضمينات فعله
- لا تستطيع حل المسائل الرياضية
- لا تستطيع إجراء الاستدلال المنطقي
- لا تستطيع توليد النصوص
- لا تستطيع الاستدلال على السبب والنتيجة
فهي وسيلة لقياس التشابه، وليست وسيلة للاستدلال.
تعريف التضمين
ما التضمين؟
مراجعة
تحوّل التضمينات النص إلى متجهات. وتتيح المتجهات البحث الدلالي والتجميع وRAG. بعد ذلك سننشئها باستخدام OpenAI API.
الأسئلة الشائعة
هل درس «ما هي Embeddings (تمثيلات المتجهات)» مجاني؟
نعم — نص درس «ما هي Embeddings (تمثيلات المتجهات)» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Agents، انتقل إلى CoddyKit PRO. تتضمن دورة AI Agents 4 دروس في المجموع.
ماذا ستتعلم في «ما هي Embeddings (تمثيلات المتجهات)»؟
إن embedding قائمة من الأرقام تمثل معنى النص؛ فالنصوص المتشابهة لها متجهات متشابهة. تتمرن على AI Agents مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ AI Agents؟
لا تُشترط خبرة سابقة. AI Agents على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.
كم من الوقت يستغرق درس «ما هي Embeddings (تمثيلات المتجهات)»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس AI Agents هذا؟
نعم. كل درس في AI Agents يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- ما هي Embeddings (تمثيلات المتجهات)
- إنشاء Embeddings باستخدام text-embedding-3
- التشابه الكوني للاسترجاع
- مقارنة نماذج Embedding (OpenAI مقابل Cohere مقابل OSS)