Hva er embeddings?
Embeddings er numeriske representasjoner av innhold, ofte kalt vektorer. En tekst, et ord eller et bilde gjøres om til en lang rekke tall som fanger betydningen. Innhold som betyr omtrent det samme, havner nær hverandre i dette tallrommet, selv om ordene er helt forskjellige. Slik kan maskiner sammenligne mening.
Et eksempel: "billig hotell i Bergen" og "rimelig overnatting i Bergen sentrum" har få felles ord, men nesten samme embedding. Det er denne teknologien som gjør semantisk søk mulig.
Slik fungerer embeddings
En egen modell, ofte trent på store tekstmengder, leser innholdet og gir ut en vektor med hundrevis eller tusenvis av tall. Deretter kan systemet regne ut avstanden mellom vektorer:
Kort avstand betyr lik mening.
Lang avstand betyr at innholdet handler om ulike ting.
Vektorene lagres i en vektordatabase, slik at systemet raskt kan finne de nærmeste treffene.
Dette er kjernen i RAG: når noen stiller et spørsmål til en AI-assistent, gjøres spørsmålet om til en embedding, og systemet henter tekstbitene som ligger nærmest. Først da skriver en LLM svaret.
Hvorfor er embeddings viktig for synlighet?
Søkemotorer og AI-søk bruker embeddings for å matche spørsmål med innhold. Det har noen praktiske konsekvenser:
Det holder ikke å gjenta et søkeord. Innholdet må dekke temaet og de tilhørende spørsmålene.
Hvert avsnitt bør kunne stå alene, fordi systemer ofte deler sider i biter og vurderer hver bit for seg.
Tydelige entiteter, som navn på produkter, steder og fagområder, gjør det lettere å plassere innholdet riktig.
Sider som blander mange temaer, får en utvannet betydning og blir sjeldnere hentet ut.
Embeddings brukes også i anbefalingssystemer, kundesegmentering og intern søkefunksjon på nettsider. Mange nettbutikker bruker dem til å vise "lignende produkter".
Slik jobber du med embeddings i praksis
De fleste markedsførere trenger ikke å lage embeddings selv. Det viktigste er å skrive innhold som er lett å representere presist: ett tema per side, tydelige overskrifter og direkte svar. Vil dere vite hvordan merkevaren deres faktisk fanges opp i AI-søk, er AI-synlighet stedet å starte. Maverix i Oslo bruker blant annet slike analyser for å finne innholdshull.
Relaterte begreper
RAG: bruker embeddings for å hente relevant innhold før AI-en svarer.
LLM: språkmodellen som skriver svaret basert på det som hentes.
Entitet: tydelige ting og begreper som gjør innholdet lettere å plassere.
Semantisk søk: søk på mening, drevet av embeddings.
Se alle begrepene i ordboken.