Embedding Rappresentazione vettoriale · Ricerca semantica
Un embedding è la traduzione di un testo in una lista di numeri — un vettore — che ne cattura il significato semantico. La proprietà chiave: testi che parlano dello stesso argomento producono vettori matematicamente vicini, anche se usano parole diverse. È la tecnologia che permette all'AI di trovare "ciò che intendevi" invece di "le parole esatte che hai scritto". È la base di ogni sistema RAG e Second Brain.
L'intuizione: le parole come punti nello spazio
Immagina uno spazio con migliaia di dimensioni. Ogni testo — parola, frase, paragrafo — è un punto in quello spazio. I modelli di embedding imparano a posizionare i testi in modo che quelli semanticamente simili finiscano vicini. "Fattura" e "invoice" finiscono vicini. "Cane" e "cucciolo" finiscono vicini. "Pizza" e "meccanica quantistica" finiscono lontani.
La vicinanza si misura matematicamente con la similarità del coseno — un numero tra -1 e 1 che indica quanto due vettori puntano nella stessa direzione. Non serve capire la matematica per usarla: basta sapere che "similarità 0.92" significa "questi due testi parlano quasi della stessa cosa".
Ricerca keyword vs ricerca semantica: la differenza in pratica
Supponi di avere un archivio di 1.000 email di clienti e vuoi trovare tutti quelli che hanno espresso insoddisfazione.
- Ricerca keyword: trova solo email che contengono le parole "insoddisfatto", "deluso", "problemi". Manca tutto il resto.
- Ricerca semantica con embedding: trova anche email con frasi come "non è quello che mi aspettavo", "ero convinto fosse diverso", "ci ho ripensato", "non tornerò". Cattura l'intenzione, non solo le parole.
Come funziona nel pipeline RAG
In un sistema RAG, gli embedding lavorano in due fasi:
- Fase di indicizzazione: ogni documento del tuo archivio viene convertito in un embedding e salvato in un database vettoriale (Qdrant, Pinecone, pgvector)
- Fase di recupero: quando fai una domanda, anche quella domanda diventa un embedding. Il sistema cerca nel database i chunk con vettori più vicini e li passa al modello come contesto
Il risultato: l'LLM risponde usando le informazioni più rilevanti del tuo archivio — non la sua memoria parametrica potenzialmente errata.
Database vettoriali: dove vivono gli embedding
Un database vettoriale è ottimizzato per trovare rapidamente i vettori più simili a quello di query — operazione chiamata ANN (Approximate Nearest Neighbor search). Le opzioni principali nel 2026:
- Qdrant: open source, ottimo per deployment locale e cloud, usato nel metodo AI Coach Italia
- Pinecone: managed cloud, semplice da iniziare, ottimo per prototipazione rapida
- pgvector: estensione PostgreSQL, ideale se hai già un DB Postgres
- Chroma: leggero, perfetto per sviluppo e progetti piccoli
// Come lo usa AI Coach Italia
Nel Brain Training Program, ogni Second Brain personale è costruito su un database vettoriale Qdrant che indicizza tutte le note, i documenti e le conoscenze del partecipante. Quando chiedi al tuo Brain una domanda, il sistema calcola l'embedding della domanda e recupera i chunk più semanticamente rilevanti dal tuo archivio — fornendo al modello il contesto perfetto per rispondere con le tue informazioni, non con dati generici.
Scopri il Brain Training Program →Domande frequenti sugli embedding AI
Cos'è un embedding nell'AI?
Un embedding è la traduzione di un testo in un vettore numerico — una lista di centinaia o migliaia di numeri — che cattura il significato semantico del testo. La proprietà chiave: testi semanticamente simili producono vettori matematicamente vicini, anche se usano parole diverse.
Qual è la differenza tra ricerca per parola chiave ed embedding?
La ricerca keyword cerca corrispondenze esatte di parole. La ricerca semantica con embedding cerca per significato: trova documenti rilevanti anche se usano sinonimi o formulazioni diverse. Cerca "ridurre i costi" e trova anche documenti su "ottimizzazione budget" o "efficienza operativa".
Devo capire la matematica degli embedding per usarli?
No. La matematica (spazi vettoriali, similarità del coseno) è rilevante per i ricercatori. Per costruire sistemi pratici basta capire il principio: converti testo in numeri, salvali in un database vettoriale, fai ricerche semantiche. Librerie come LangChain, LlamaIndex o il framework del Brain Training Program astraggono tutta la complessità tecnica.
Quale servizio di embedding usare?
Le opzioni principali: OpenAI text-embedding-3-small (ottimo rapporto qualità/costo, consigliato per iniziare), Cohere Embed v3 (ottimo per multilingua incluso l'italiano), Voyage AI (specializzato per RAG). Per sistemi completamente locali e privati: nomic-embed-text (open source, gira localmente).