# शब्दों से निर्देशांकों तक — Embeddings और Vector Search

Source: https://www.geekswithgeeks.com/hi/embeddings/b-idea

> केंद्रीय विचार समझें: समान अर्थ, पास के vectors।

## निकटता समानता का प्रतीक है

**Embedding** संख्याओं की सूची (**vector**) है जो किसी item, जैसे वाक्य, दस्तावेज़, image या उत्पाद, को दर्शाती है, ताकि **समान अर्थ वाले items के vectors पास-पास** हों और असंबंधित items के vectors दूर। कंप्यूटर दो वाक्यों के *अर्थ* की सीधे तुलना नहीं कर सकते, पर संख्याओं की दो सूचियों की तुलना तेज़ी से कर सकते हैं। पाठ embed होने पर **semantic search** ("छुट्टियों वाले अंश खोजो भले vacation लिखा हो"), **recommendation**, **clustering**, **duplicate पहचान**, **वर्गीकरण** और **LLMs के लिए retrieval (RAG)** जैसे कार्य ज्यामिति बन जाते हैं: निकटतम vectors खोजो। आम पाठ embeddings में कुछ सौ से कुछ हज़ार आयाम होते हैं।

## अर्थ अंतरिक्ष में एक बिंदु के रूप में

Embedding पाठ, images या अन्य items को vector से map करता है ताकि समान items पास-पास रहें।

![चार विचार: vector, दूरी, मॉडल, आयाम।](assets/figures/embeddings/section-1-map.svg) — चित्र 1.1 — Vector, दूरी, मॉडल और आयाम।

## विचारों का नक़्शा

शहर के नक़्शे में पास की जगहें असल में पास होती हैं। Embedding अर्थ का नक़्शा है: leave वाले वाक्य एक मोहल्ले में और travel वाले दूसरे में।

## Embeddings पाठ नहीं हैं

Vector को वापस ठीक उसी पाठ में नहीं बदला जा सकता। हमेशा मूल पाठ (या उसका संकेतक) vector के साथ रखें।

**Quiz:** समान अर्थ वाले दो वाक्यों के embeddings के बारे में क्या सही होना चाहिए?

- [ ] उनके vectors दूर हों
- [ ] उनके vectors समान हों
- [x] उनके vectors पास-पास हों
- [ ] उनकी अक्षर-लंबाई समान हो

*Answer:* उनके vectors पास-पास हों. Embedding models इस तरह प्रशिक्षित होते हैं कि समान अर्थ पास के vectors दें।