Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Wat is vectorrepresentatie (embedding)?
Een vectorrepresentatie, ook wel embedding genoemd, is een manier waarop AI informatie omzet naar getallen zodat een model betekenis en samenhang kan begrijpen. Woorden, zinnen, afbeeldingen of andere data worden hierbij vertaald naar numerieke vectoren.
Uitleg van het begrip in begrijpelijke taal
AI kan geen tekst of beelden direct begrijpen. Daarom zet het deze informatie eerst om in cijfers. Zo’n reeks cijfers heet een vectorrepresentatie. In die vector zit betekenis verstopt. Dingen die inhoudelijk op elkaar lijken, krijgen vectoren die ook dicht bij elkaar liggen.
Hoe het werkt of hoe het wordt toegepast
Tijdens training leert een AI-model hoe het data moet omzetten naar vectoren. Het model leert welke kenmerken belangrijk zijn en hoe sterk die meewegen. Daarna kan het model vectoren vergelijken om te bepalen of iets op elkaar lijkt, bij elkaar hoort of juist verschilt. Embeddings worden gebruikt als tussenlaag waarop veel AI-beslissingen zijn gebaseerd.
Praktisch voorbeeld of toepassingen
Bij tekstverwerking krijgen woorden als “kat” en “hond” vectoren die dicht bij elkaar liggen, terwijl “kat” en “auto” verder uit elkaar liggen. Bij zoekmachines worden embeddings gebruikt om relevante resultaten te vinden, ook als de exacte woorden niet overeenkomen. Bij aanbevelingssystemen helpen embeddings om vergelijkbare producten of content te vinden.
Verder leren
Wie wil begrijpen hoe AI betekenis vastlegt in cijfers en waarom embeddings zo cruciaal zijn voor moderne AI-toepassingen, kan verder leren via mijn gratis AI basiscursus.
DE WERELD VAN AI 