Embeddingは、テキストや画像などを意味の近いもの同士が近づくベクトルに変換した表現です。生成したベクトルは数百〜数千次元になることが多く、距離計算で類似度を評価できます。単語だけでなく文書やユーザー、商品にも適用でき、検索や推薦の基盤になるでしょう。
Embeddingは意味検索やレコメンドで、クエリと候補のベクトル距離を用いて近いものを返します。RAGでは検索対象の文書を事前にEmbedding化しておき、質問のEmbeddingと近い断片を取り出す流れが一般的です。大規模データではベクターデータベースやANN検索を使い、低遅延で近傍探索を回します。
運用では、使用したモデル名・次元数・前処理・正規化方法をメタデータとして固定するのが重要です。モデルを更新すると分布が変わり過去データの再Embeddingが必要になるため、切替期間の二重運用や互換性検証を行います。個人情報や機密情報を含む入力は漏えいリスクと保存期間を設計し、コスト見積もりまで含めて導入すると安全でしょう。
