Capítulo 3: Espaços de Embedding e Representações

O que são Embeddings?

Representações vetoriais densas que capturam o significado semântico:

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('all-MiniLM-L6-v2')
embeddings = model.encode([
    "Machine learning is fascinating",
    "AI and ML are interesting topics",
    "I like pizza"
])

# First two are similar, third is different

Similaridade Semântica

$$\text{similarity}(A, B) = \frac{A \cdot B}{||A|| \times ||B||}$$

from sklearn.metrics.pairwise import cosine_similarity
similarity = cosine_similarity([embeddings[0]], [embeddings[1]])
# High similarity for related sentences

Aplicações

Aplicação	Como Embeddings Ajudam
Busca	Encontrar documentos semanticamente similares
Agrupamento	Agrupar conteúdos relacionados
RAG	Recuperar contexto relevante
Classificação	Vetores de características para ML

Principais Pontos

dica

1. Embeddings capturam significado semântico em vetores
2. Similaridade cosseno mede a relação semântica
3. Essencial para RAG e busca semântica

---

← Capítulo 2Quiz →