Apa Itu Embedding (Representasi Vektor)
Embedding adalah daftar angka yang merepresentasikan makna teks—teks yang serupa memiliki vektor yang serupa.
Apa Itu Embedding (Representasi Vektor) adalah pelajaran AI Agents gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Agents, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Agents mencakup 4 pelajaran total.
Dari Teks ke Angka
Representasi vektor adalah daftar angka (sebuah vektor) yang mewakili makna suatu bagian teks. Teks dengan makna yang serupa memiliki vektor yang berdekatan dalam ruang vektor.
Mengapa Vektor?
Komputer tidak dapat melakukan perhitungan pada kata, tetapi dapat melakukannya pada angka. Representasi vektor memberi setiap teks sebuah lokasi dalam ruang berdimensi tinggi sehingga kita dapat:
- Mengukur kemiripan antar teks
- Mengelompokkan item yang berkaitan
- Melakukan pencarian semantik (bukan hanya berdasarkan kata kunci)
Contoh Representasi Vektor
Model text-embedding-3-small dari OpenAI menghasilkan 1536 angka untuk setiap teks. Untuk "halo dunia", hasilnya kira-kira seperti ini:
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)
Teks Serupa, Vektor Serupa
Pasangan di bawah ini menghasilkan vektor yang berdekatan:
- "raja" dan "ratu"
- "bahagia" dan "gembira"
- "mobil" dan "otomobil"
Pasangan "raja" dan "pizza" menghasilkan vektor yang berjauhan.
Dimensi
Lebih banyak dimensi = lebih banyak nuansa, tetapi lebih banyak penyimpanan. Ukuran yang umum:
- OpenAI text-embedding-3-small: 1536
- OpenAI text-embedding-3-large: 3072
- Cohere embed-multilingual-v3: 1024
- BGE-small (OSS): 384
Semantik dan Leksikal
Pencarian leksikal (Elasticsearch, BM25) mencocokkan kata kunci. Pencarian semantik (representasi vektor) mencocokkan makna.
"Bagaimana cara memperbaiki mobil saya?" cocok dengan "kiat perbaikan kendaraan" secara semantik — meskipun keduanya tidak memiliki satu pun kata yang sama.
Representasi Vektor untuk Dokumen
Anda dapat mengubah menjadi representasi vektor:
- Kueri singkat
- Kalimat
- Paragraf (sekitar 500 token adalah titik yang ideal)
- Seluruh dokumen (dengan penurunan kualitas)
Representasi Vektor untuk Kode
Ada model representasi vektor khusus kode (misalnya Voyage Code, Jina Code) yang memahami sintaks pemrograman dan mengungguli representasi vektor teks umum dalam pencarian kode.
Representasi Vektor Multimodal
Anda dapat mengubah gambar, audio, dan video menjadi representasi vektor dalam ruang yang sama dengan teks — sehingga memungkinkan pencarian lintas modalitas. CLIP adalah contoh terkenal untuk gambar.
Bias dalam Representasi Vektor
Representasi vektor mencerminkan data pelatihannya. Representasi tersebut mengodekan bias: hubungan gender-pekerjaan, stereotip rasial, dan sebagainya. Berhati-hatilah saat menggunakannya untuk keputusan pemeringkatan yang melibatkan orang.
Hal yang Tidak Dapat Dilakukan Representasi Vektor
- Tidak dapat menyelesaikan soal matematika
- Tidak dapat melakukan inferensi logis
- Tidak dapat menghasilkan teks
- Tidak dapat menalar hubungan sebab-akibat
Representasi tersebut digunakan untuk MEASURE kemiripan, bukan untuk REASON.
Definisi Representasi Vektor
Apa yang dimaksud dengan representasi vektor?
Rangkuman
Representasi vektor mengubah teks menjadi vektor. Vektor memungkinkan pencarian semantik, pengelompokan, dan RAG. Selanjutnya, kita akan membuatnya dengan antarmuka OpenAI.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Apa Itu Embedding (Representasi Vektor)” gratis?
Ya — teks lengkap “Apa Itu Embedding (Representasi Vektor)” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Agents, upgrade ke CoddyKit PRO. Kursus AI Agents mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Apa Itu Embedding (Representasi Vektor)”?
Embedding adalah daftar angka yang merepresentasikan makna teks—teks yang serupa memiliki vektor yang serupa. Kamu berlatih AI Agents dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai AI Agents?
Tidak diperlukan pengalaman sebelumnya. AI Agents di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Apa Itu Embedding (Representasi Vektor)” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Agents ini?
Ya. Setiap pelajaran AI Agents menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Apa Itu Embedding (Representasi Vektor)
- Membuat Embedding dengan text-embedding-3
- Kemiripan Kosinus untuk Pengambilan
- Perbandingan Model Embedding (OpenAI vs Cohere vs OSS)