La definizione, senza gergo
Un embedding è la traduzione di un testo in una lista di numeri (un vettore) che ne cattura il significato. Pensa a una mappa: ogni frase diventa un punto. Frasi che parlano della stessa cosa — anche con parole diverse — finiscono vicine; frasi su temi lontani finiscono lontane.
L'esempio che chiarisce tutto
«Il gatto dorme sul divano» e «Il felino riposa sul sofà» non condividono quasi nessuna parola, ma significano la stessa cosa: i loro embedding sono vicinissimi. «Il gatto dorme» e «la borsa è salita in Borsa» sono lontani. La vicinanza si misura con la similarità del coseno — un numero che dice quanto due significati sono affini.
A cosa servono, in pratica
Gli embedding sono il cuore della ricerca semantica: permettono di trovare «ciò che intendevi» e non solo «le parole esatte che hai scritto». Sono il meccanismo con cui un sistema RAG recupera i passaggi giusti prima di rispondere, e con cui un Second Brain ritrova la tua nota pertinente anche se l'hai scritta mesi fa con altre parole.
Embedding e vector database
Tutti questi vettori vanno conservati e confrontati in fretta: per questo esistono i vector database, archivi ottimizzati per cercare «i punti più vicini» in uno spazio di migliaia di dimensioni. È l'infrastruttura che rende istantanea la memoria di un'AI sui tuoi dati.