Embedding คืออะไร (ตัวแทนแบบเวกเตอร์)
Embedding คือรายการตัวเลขที่แทนความหมายของข้อความ โดยข้อความที่คล้ายกันจะมีเวกเตอร์คล้ายกัน
Embedding คืออะไร (ตัวแทนแบบเวกเตอร์) เป็นบทเรียน AI Agents ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Agents และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
จากข้อความสู่ตัวเลข
เวกเตอร์แทนความหมายคือรายการตัวเลข (เวกเตอร์) ที่แสดงความหมายของข้อความส่วนหนึ่ง ข้อความที่มีความหมายคล้ายกันจะมีเวกเตอร์อยู่ใกล้กันในปริภูมิเวกเตอร์
ทำไมต้องใช้เวกเตอร์
คอมพิวเตอร์คำนวณทางคณิตศาสตร์กับคำไม่ได้ แต่คำนวณกับตัวเลขได้ เวกเตอร์แทนความหมายจะกำหนดตำแหน่งให้ข้อความทุกข้อความในปริภูมิหลายมิติ ทำให้เราสามารถ:
- วัดความคล้ายคลึงระหว่างข้อความ
- จัดกลุ่มรายการที่เกี่ยวข้องกัน
- ค้นหาเชิงความหมาย (ไม่ใช่แค่ค้นด้วยคำสำคัญ)
ตัวอย่างเวกเตอร์แทนความหมาย
โมเดล text-embedding-3-small ของ OpenAI ส่งคืนตัวเลข 1536 ตัวต่อข้อความ สำหรับ "สวัสดีชาวโลก" คุณจะได้ค่าประมาณนี้:
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)
ข้อความคล้ายกัน เวกเตอร์ก็คล้ายกัน
คู่ข้อความด้านล่างจะมีเวกเตอร์อยู่ใกล้กัน:
- "กษัตริย์" และ "ราชินี"
- "มีความสุข" และ "เปี่ยมสุข"
- "รถยนต์" และ "ยานยนต์"
คู่ "กษัตริย์" และ "พิซซ่า" จะมีเวกเตอร์อยู่ห่างกัน
จำนวนมิติ
มิติมากขึ้น = รายละเอียดเชิงนัยมากขึ้น แต่ใช้พื้นที่จัดเก็บมากขึ้น ขนาดที่พบได้บ่อย:
- OpenAI text-embedding-3-small: 1536
- OpenAI text-embedding-3-large: 3072
- Cohere embed-multilingual-v3: 1024
- BGE-small (OSS): 384
เชิงความหมายเทียบกับเชิงคำศัพท์
การค้นหาเชิงคำศัพท์ (Elasticsearch, BM25) จับคู่คำสำคัญ ส่วนการค้นหาเชิงความหมาย (เวกเตอร์แทนความหมาย) จับคู่ความหมาย
"จะแก้รถของฉันอย่างไร" จะจับคู่กับ "เคล็ดลับซ่อมรถ" ในเชิงความหมายได้ แม้จะไม่มีคำร่วมกันเลย
เวกเตอร์แทนความหมายสำหรับเอกสาร
คุณสามารถแปลงสิ่งต่อไปนี้เป็นเวกเตอร์ได้:
- คำค้นสั้น ๆ
- ประโยค
- ย่อหน้า (~500 โทเค็นเป็นขนาดที่เหมาะที่สุด)
- เอกสารทั้งฉบับ (แต่คุณภาพจะลดลง)
เวกเตอร์แทนความหมายสำหรับโค้ด
มีโมเดลสร้างเวกเตอร์สำหรับโค้ดโดยเฉพาะ (เช่น Voyage Code และ Jina Code) ซึ่งเข้าใจไวยากรณ์การเขียนโปรแกรม และทำผลงานด้านการค้นหาโค้ดได้ดีกว่าเวกเตอร์แทนความหมายสำหรับข้อความทั่วไป
เวกเตอร์แทนความหมายหลายสื่อ
คุณสามารถแปลงรูปภาพ เสียง และวิดีโอเป็นเวกเตอร์ในปริภูมิเดียวกับข้อความได้ ทำให้ค้นหาข้ามสื่อได้ CLIP เป็นตัวอย่างที่มีชื่อเสียงสำหรับรูปภาพ
อคติในเวกเตอร์แทนความหมาย
เวกเตอร์แทนความหมายสะท้อนข้อมูลฝึกของตนเอง และเข้ารหัสอคติไว้ เช่น ความเชื่อมโยงระหว่างเพศกับอาชีพ ภาพเหมารวมทางเชื้อชาติ และอื่น ๆ โปรดระมัดระวังเมื่อใช้เวกเตอร์เหล่านี้เพื่อตัดสินใจจัดอันดับที่เกี่ยวข้องกับผู้คน
สิ่งที่เวกเตอร์แทนความหมายทำไม่ได้
- แก้โจทย์คณิตศาสตร์ไม่ได้
- อนุมานเชิงตรรกะไม่ได้
- สร้างข้อความไม่ได้
- ให้เหตุผลเกี่ยวกับเหตุและผลไม่ได้
สิ่งเหล่านี้ใช้เพื่อ MEASURE ความคล้ายคลึง ไม่ใช่ REASON
คำจำกัดความของเวกเตอร์แทนความหมาย
เวกเตอร์แทนความหมายคืออะไร
ทบทวน
เวกเตอร์แทนความหมายแปลงข้อความเป็นเวกเตอร์ เวกเตอร์ช่วยให้ค้นหาเชิงความหมาย จัดกลุ่ม และทำ RAG ได้ ขั้นต่อไปเราจะสร้างเวกเตอร์เหล่านี้ด้วย OpenAI API
คำถามที่พบบ่อย
บทเรียน “Embedding คืออะไร (ตัวแทนแบบเวกเตอร์)” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “Embedding คืออะไร (ตัวแทนแบบเวกเตอร์)” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Agents ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “Embedding คืออะไร (ตัวแทนแบบเวกเตอร์)”
Embedding คือรายการตัวเลขที่แทนความหมายของข้อความ โดยข้อความที่คล้ายกันจะมีเวกเตอร์คล้ายกัน คุณปฏิบัติ AI Agents ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Agents หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Agents บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน
บทเรียน “Embedding คืออะไร (ตัวแทนแบบเวกเตอร์)” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน AI Agents นี้ได้ไหม
ได้ บทเรียน AI Agents ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- Embedding คืออะไร (ตัวแทนแบบเวกเตอร์)
- การสร้าง Embedding ด้วย text-embedding-3
- ความคล้ายแบบโคไซน์สำหรับการค้นคืน
- เปรียบเทียบโมเดล Embedding (OpenAI กับ Cohere กับ OSS)