Embedding (szövegbeágyazás, vektoros reprezentáció)
A hagyományos kulcsszó-alapú keresés számára a „kanapé” és a „szófa” két külön szó. Egy embedding-modell számára a két szó, sőt a „háromszemélyes ülőgarnitúra” kifejezés is nagyjából ugyanarra a helyre esik egy több száz dimenziós térben. Ez az alapja a mai szemantikus keresésnek, és annak is, ahogy az AI-asszisztensek a forrásaikat kiválasztják.
Egy kép, ami segít megérteni
Képzelj el egy térképet, ahol minden mondatnak van egy pontja. A „Hogyan csökkentsem a hirdetési költséget?” és a „Drága a Google Ads, mit tegyek?” közel esik egymáshoz, a „Mikor nyit a pékség?” messze van tőlük. Az embedding valójában nem két, hanem több száz vagy több ezer koordinátájú pont, de a logika ugyanez. Két pont közelségét a leggyakrabban koszinusz-hasonlósággal mérik: minél közelebb van az értéke 1-hez, annál hasonlóbb a két szöveg jelentése.
Hol találkozol vele marketingesként?
- Keresőmotorok és AI-válaszok. A Google és az AI-válaszmotorok jelentés alapján is egyeztetik a kérdést a tartalommal. Ezért ér többet egy témát alaposan lefedő oldal, mint a kulcsszó tízszeri ismétlése.
- RAG-rendszerek. Egy céges chatbot a dokumentumokat darabokra bontja, embeddinggé alakítja, és a kérdéshez legközelebb eső darabokat adja át a nyelvi modellnek.
- Kulcsszó-csoportosítás. Több ezer keresőkifejezést jelentés szerint lehet klaszterekbe rendezni, ami a topic cluster-tervezés gyors alapja.
- Belső linkelés és ajánlás. Minden cikkhez automatikusan megkereshető a 3–5 legközelebbi másik cikk.
- Duplikáció-keresés. A nagyon közeli embeddingű oldalpárok jó jelöltek a kannibalizáció-vizsgálatra.
Mennyibe kerül? Egy egyszerű számítás
Az embedding-API-k jellemzően a feldolgozott tokenek után számláznak, és a díj töredéke a szöveggeneráló modellekének. Tegyük fel (szemléltető számpélda), hogy egy 600 cikkes blogot dolgozol fel, cikkenként átlagosan 1 500 tokennel. Ez 900 000 token, ami egy olcsó embedding-modellnél néhány tíz forintos, legfeljebb néhány száz forintos tétel. A valódi költség a munka: a feldolgozó szkript, a tárolás (vektoradatbázis) és az eredmények emberi átnézése. Az aktuális díjat mindig a szolgáltató árlistáján ellenőrizd.
Ahol el szokott csúszni
- Különböző modellek vektorainak keverése. Két különböző modell embeddingjei nem összehasonlíthatók. Ha modellt váltasz, az egész állományt újra kell számolni.
- Rossz darabolás. Ha egy teljes, 3 000 szavas cikkből egyetlen vektor készül, a jelentése „elmosódik”. Ha túl apró darabokra vágod, elveszik a kontextus. A bekezdés- vagy szakaszszintű darabolás többnyire jó kiindulópont.
- A hasonlóság nem egyenlő a helyességgel. Az embedding azt mondja meg, mi szól ugyanarról, nem azt, mi igaz. Egy elavult árlista is nagyon „hasonló” lehet a kérdéshez.
- Magyar nyelv. A modellek minősége nyelvenként eltér. Döntés előtt érdemes 20–30 valódi magyar kérdéssel kipróbálni, hogy tényleg a megfelelő találatokat adja-e vissza.
Az embedding tehát nem önálló termék, hanem építőkocka: a vektoros keresés, a RAG és a modern keresőmotorok közös alapja.
Egy gyakorlati kiindulópont kkv-knak
Ha ki akarod próbálni, nem kell rögtön chatbotot építeni. Egy jó első projekt a meglévő blogod belső linkelésének ellenőrzése. Exportáld a cikkek címét és bevezetőjét, készíts róluk embeddinget, és nézd meg minden cikknél, melyik öt másik cikk áll hozzá a legközelebb. Ha ezek között vannak olyanok, amelyekre jelenleg nem mutat link, máris kaptál egy rangsorolt teendőlistát. Ha két cikk szinte azonos helyen áll, érdemes megnézni, nem ugyanarra a kérdésre válaszolnak-e. Ez néhány óra munka, és jól mutatja, mire képes a módszer a saját tartalmaidon.