Эмбеддинг — это способ превратить текст, картинку или другой объект в набор чисел так, чтобы похожие по смыслу вещи оказались рядом.
Представьте карту города. Кофейни могут быть близко друг к другу не по адресу, а по признакам: тихо работать, хороший фильтр, есть розетки. Эмбеддинг строит похожую «карту смыслов».
Фраза «как вернуть товар» и «оформить возврат покупки» на такой карте будут соседями, хотя слова почти не совпадают. А «статус доставки» — уже дальше.
На практике эмбеддинги используют для семантического поиска, рекомендаций, поиска дублей в базе, группировки обращений в поддержку. Я часто вижу их как полезный слой между хаотичными данными и логикой продукта.
Но это не понимание текста. Эмбеддинг хорошо отвечает на вопрос «что похоже?», но плохо — «что верно?». Он может сблизить два похожих по формулировке документа, один из которых устарел или противоречит другому.
Поэтому близость в векторной базе — это кандидат на проверку, а не готовое решение.