Vad embeddings är (vektorrepresentationer)
En embedding är en lista med tal som representerar textens innebörd – texter med liknande innebörd har liknande vektorer.
Vad embeddings är (vektorrepresentationer) är en gratis lektion i AI-agenter på CoddyKit. Detta är lektion 1 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för AI-agenter, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i AI-agenter innehåller totalt 4 lektioner.
Från text till siffror
En embedding är en lista med tal (en vektor) som representerar betydelsen hos en textdel. Texter med liknande betydelse har vektorer som ligger nära varandra i vektorrummet.
Varför vektorer?
Datorer kan inte utföra matematik på ord, men de kan göra det på tal. Embeddings ger varje text en position i ett högdimensionellt rum så att vi kan:
- Mäta likheten mellan texter
- Klustra relaterade objekt
- Söka semantiskt (inte bara med nyckelord)
Ett exempel på en embedding
OpenAI-modellen text-embedding-3-small returnerar 1536 tal per text. För "hej världen" får ni något i stil med:
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)
Liknande texter, liknande vektorer
Paren nedan får vektorer som ligger nära varandra:
- "kung" och "drottning"
- "glad" och "lycklig"
- "bil" och "automobil"
Paret "kung" och "pizza" får vektorer som ligger långt ifrån varandra.
Dimensionsantal
Fler dimensioner ger mer nyans, men kräver mer lagring. Vanliga storlekar:
- OpenAI text-embedding-3-small: 1536
- OpenAI text-embedding-3-large: 3072
- Cohere embed-multilingual-v3: 1024
- BGE-small (OSS): 384
Semantisk kontra lexikal
Lexikal sökning (Elasticsearch, BM25) matchar nyckelord. Semantisk sökning (embeddings) matchar betydelse.
"Hur lagar jag min bil?" matchar "råd om fordonsreparationer" semantiskt — trots att de inte har ett enda gemensamt ord.
Embeddings för dokument
Ni kan skapa embeddings för:
- Korta frågor
- Meningar
- Stycken (cirka 500 token är den optimala nivån)
- Hela dokument (med försämrad kvalitet)
Embeddings för kod
Det finns kodspecifika embeddingmodeller (t.ex. Voyage Code och Jina Code) som förstår programmeringssyntax och presterar bättre än generella textembeddings vid kodsökning.
Multimodala embeddings
Ni kan bädda in bilder, ljud och video i samma vektorrum som text, vilket möjliggör sökning över flera modaliteter. CLIP är det välkända exemplet för bilder.
Partiskhet i embeddings
Embeddings återspeglar träningsdata. De kodar in partiskhet, till exempel kopplingar mellan kön och yrke samt rasistiska stereotyper. Var uppmärksam när ni använder dem för rankningsbeslut som rör människor.
Vad embeddings inte kan göra
- Kan inte lösa matematiska problem
- Kan inte utföra logiska slutledningar
- Kan inte generera text
- Kan inte resonera om orsak och verkan
De är ett sätt att MÄTA likhet, inte att RESONERA.
Definition av embedding
Vad är en embedding?
Sammanfattning
Embeddings omvandlar text till vektorer. Vektorer möjliggör semantisk sökning, klustring och RAG. Nästa steg är att generera dem med OpenAI API.
Lär dig AI-agenter med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 60
- Lektioner
- 239
Vanliga frågor
Är lektionen ”Vad embeddings är (vektorrepresentationer)” gratis?
Ja – hela texten till ”Vad embeddings är (vektorrepresentationer)” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i AI-agenter, kan Ni uppgradera till CoddyKit PRO. Kursen i AI-agenter innehåller totalt 4 lektioner.
Vad lär jag mig i ”Vad embeddings är (vektorrepresentationer)”?
En embedding är en lista med tal som representerar textens innebörd – texter med liknande innebörd har liknande vektorer. Ni övar på AI-agenter med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig AI-agenter?
Du behöver inga förkunskaper. Utbildningen i AI-agenter på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 1 av 4.
Hur lång tid tar lektionen ”Vad embeddings är (vektorrepresentationer)”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här AI-agenter-lektionen?
Ja. Varje AI-agenter-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Vad embeddings är (vektorrepresentationer)
- Skapa embeddings med text-embedding-3
- Cosinuslikhet för sökning
- Jämförelse av embeddingmodeller (OpenAI, Cohere och OSS)