Een embedding is een lange rij getallen (een vector) die de betekenis van een stuk tekst vastlegt, zodat een computer teksten met een vergelijkbare betekenis kan vinden, ook als ze andere woorden gebruiken.
Gewoon zoeken vindt alleen dezelfde woorden. Met embeddings vind je ook 'declaratie indienen' als iemand zoekt op 'hoe krijg ik mijn onkosten terug'. Een embeddingmodel zet een tekst om in een lange rij getallen, vaak honderden of duizenden. Teksten met een vergelijkbare betekenis krijgen getallen die dicht bij elkaar liggen.
Je kunt het zien als een kaart van betekenis. Elke tekst krijgt een plek op die kaart, en teksten over hetzelfde onderwerp liggen bij elkaar in de buurt. Bij een zoekvraag krijgt ook de vraag een plek, en je zoekt de teksten die het dichtstbij liggen. Dat heet semantisch zoeken: zoeken op betekenis in plaats van op letterlijke woorden.
Embeddings vormen de basis van RAG: je documenten worden in stukken geknipt, elk stuk krijgt een embedding, en bij een vraag zoek je de stukken die qua betekenis het dichtstbij liggen. Ze worden ook gebruikt om klantvragen te groeperen, dubbele tickets te vinden of vergelijkbare producten aan te bevelen. Een klantenservice kan zo zien welke vragen steeds terugkomen, ook als klanten ze verschillend formuleren.
Een embedding is geen samenvatting en ook geen versleuteling. Embeddings van teksten met persoonsgegevens blijven gevoelige gegevens, dus ga er net zo zorgvuldig mee om als met de teksten zelf. Gebruik bij opslaan en zoeken steeds hetzelfde embeddingmodel, want getallen van verschillende modellen zijn niet vergelijkbaar. En de kwaliteit hangt af van hoe je documenten in stukken knipt: te groot is vaag, te klein mist samenhang.