AI Müsahibə Seriyası 10: Embedding Nə Edir? — Texniki Mahiyyətdən Müsahibə Cavablarına

Embedding Nə Edir? — Texniki Mahiyyətdən Müsahibə Cavablarına

Birinci: Texniki mahiyyət: bir cümlə ilə əsas məqam

Embedding-in əsas işi, diskret, strukturlaşdırılmamış məlumatları (mətn, şəkil və s.) davamlı, aşağı ölçülü vektor fəzasına xəritələməkdir ki, semantik cəhətdən oxşar obyektlər bu fəzada bir-birinə yaxın olsun.
Sadə desək, bu, kompüter üçün bir "semantik koordinat sistemi" yaradır, insanların "qeyri-müəyyən mənalarını" kompüterin hesablaya biləcəyi "mövqe koordinatlarına" tərcümə edir.

İkinci: Vizual anlayış: semantik xəritə

İki ölçülü bir xəritə təsəvvür edin (əslində embedding adətən yüzlərlə ölçülüdür, amma prinsip eynidir):

Pişik → [0.92, 0.31, -0.45, …]
İt → [0.88, 0.29, -0.42, …]
Avtomobil → [0.15, -0.87, 0.53, …]

Pişik və itin vektorları çox yaxındır, avtomobil isə uzaqda yerləşir.
Embedding, kompüterin sözləri təcrid olunmuş simvollar kimi deyil, məna yaxınlığına görə müqayisə etməsinə imkan verir.

Üçüncü: Texniki prinsip (sadələşdirilmiş versiya): O necə öyrənilir?

Dilçilik fərziyyəsinə əsaslanır: "Bir sözün mənası onun konteksti ilə müəyyən olunur."

Böyük mətnlər üzərində təlim (Word2Vec, BERT embedding qatı kimi) vasitəsilə model hər sözün vektorunu daim tənzimləyir.
Nəticədə, tez-tez oxşar kontekstlərdə görünən sözlər (pişik və it "ev heyvanı", "oxşamaq", "yemək vermək" kontekstlərində) bir-birinə yaxın mövqelərə çəkilir.
Bu proses tamamilə əl ilə işarələmə tələb etmir, dil istifadəsindən avtomatik olaraq ortaya çıxan həndəsi strukturdur.

Əhəmiyyətli xüsusiyyət: Vektor fəzası hətta analogiya münasibətlərini tuta bilir, məsələn kral - kişi + qadın ≈ kraliça.

Dördüncü: RAG sistemində Embedding konkret hansı addımları yerinə yetirir?

İndeks qurarkən: Hər bir sənəd blokunu (chunk) vektora çevir → vektor verilənlər bazasına saxla → "semantik ünvan" yarat.
Sual verərkən: İstifadəçi sualını eyni fəzada vektora çevir → verilənlər bazasında ən yaxın sənəd vektorlarını tap → semantik əlaqəli bilik parçalarını geri çağır.

Nümunə:
İstifadəçi "Ev heyvanım itimi necə xoşbəxt saxlaya bilərəm?" sualını verir, bilik bazasında yalnız "İtlər gündəlik gəzintiyə ehtiyac duyur, bu onun psixi sağlamlığına kömək edir" olsa belə, embedding "xoşbəxt/sağlamlıq/it" semantik yaxınlığı səbəbindən uğurla geri çağırır. "Məna uyğunluğu" həyata keçirilir, "forma uyğunluğu" deyil.

Beşinci: Müsahibə cavab strategiyası (2-3 dəqiqəlik tam danışıq)

Aşağıda hazırlanmış cavab çərçivəsidir ki, həm nəzəri dərinliyi göstərir, həm də layihə təcrübəsini nümayiş etdirir.

【Açılış tonu】

"Embedding-in əsas işi, diskret, strukturlaşdırılmamış məlumatları davamlı, aşağı ölçülü vektor fəzasına xəritələməkdir ki, semantik cəhətdən oxşar obyektlər bu fəzada bir-birinə yaxın olsun. Sadə desək, bu, kompüter üçün bir 'semantik koordinat sistemi' yaradır."

【Prinsipi açıqlama, klassik xüsusiyyətləri qeyd etmə】

"Ənənəvi one-hot kodlaşdırmada sözlər arasında məsafə anlayışı yoxdur, halbuki embedding neyron şəbəkə vasitəsilə böyük korpusdan öyrənir – 'bir sözün mənası onun konteksti ilə müəyyən olunur'. Nəticədə hər söz/cümlə sıx bir vektorla təmsil olunur, vektorların arasındakı bucaq kosinusu birbaşa semantik oxşarlığı ölçə bilir. Hətta analogiya münasibətlərini tuta bilir, məsələn kral - kişi + qadın ≈ kraliça."

【Layihə təcrübəsi ilə birləşdirmə — əsas hissə】

"Əvvəlki işimdə RAG bilik sual-cavab sistemi üzərində embedding-dən birbaşa istifadə etdim. O zaman text-embedding-3-small seçdim, şirkət daxili sənədləri 500 simvoldan ibarət bloklara böldüm, hər bloku vektora çevirib Qdrant-da saxladım.
Bir dəfə istifadəçi 'İllik məzuniyyəti necə tələb edə bilərəm?' sualını verdi, açar söz axtarışı heç nə tapmadı, çünki sənəddə 'məzuniyyət tələb proseduru' yazılmışdı. Lakin embedding 'illik məzuniyyət' və 'məzuniyyət' sözlərini yaxın mövqelərə xəritələyərək düzgün paraqrafı geri çağırdı.
Həmçinin bir səhvə düşdüm: əvvəlcə ümumi embedding istifadə etdim, hüquqi maddələrdə çox pis nəticə verdi; sonra sahə üçün incə tənzimlənmiş BGE-large ilə əvəz etdim, axtarış dəqiqliyi 72%-dən 89%-ə yüksəldi. Beləliklə, embedding modelinin seçimi aşağı mərhələ tapşırıqlarına böyük təsir göstərir."

【Dərin düşüncə əlavə et, senior potensialını göstər】

"Bir məqamı da əlavə etmək istəyirəm: embedding mahiyyətcə itkili semantik sıxışdırmadır – söz sırası, cümlə quruluşu kimi səthi məlumatları atır, yalnız 'əsas məna'ni saxlayır. Buna görə də dəqiq uyğunluq tələb edən ssenarilərdə (məsələn, məhsul modeli 'iPhone12' vs 'iPhone13') təmiz vektor axtarışı açar sözdən geri qala bilər. Real mühəndislikdə biz tez-tez hibrid axtarışdan (vektor + BM25) istifadə edirik ki, bir-birini tamamlasın."

【Yekun】

"Ümumiləşdirsək, embedding həll etdiyi əsas problem 'kompüterə semantik oxşarlığı necə hesablatmaq'dır. Müasir NLP və RAG-ın təməl daşlarından biridir."

Altıncı: Müsahibə verənin mümkün əlavə sualları və sizin cavab strategiyanız

Sual	Cavabın əsas məqamları
"Embedding necə təlim olunur?"	Qısaca Word2Vec-in CBOW/Skip-gram (kontekstdən mərkəz sözü proqnozlaşdırma və ya əksinə) və ya müasir müqayisəli öyrənmə (SimCSE, Sentence-BERT). Vurğulayın ki, təlimin mahiyyəti birlikdə görünmə statistikasından istifadədir.
"Embedding-in keyfiyyətini necə qiymətləndirirsiniz?"	Konkret tapşırıqda vuruş dərəcəsi, MRR; açıq benchmark-lar, məsələn MTEB. Praktikada A/B testi ilə axtarış nəticələrini müqayisə etmək olar.
"Hansı embedding modellərindən istifadə etmisiniz? Üstünlükləri və çatışmazlıqları?"	OpenAI rahat, amma bahalı; BGE Çin dilində yaxşı; M3E yüngül; E5 çoxdilli. Ssenariyə görə seçmək olar.
"Vektor ölçüsünü necə seçirsiniz?"	Yüksək ölçü ifadə gücünü artırır, amma hesablama/saxlama bahadır; aşağı ölçü az uyğunlaşa bilər. Adətən 384/768/1536 istifadə olunur, təcrübə ilə tarazlaşdırılır.

Yeddinci: Xəbərdarlıq (müsahibədə tətbiq olunur)

❌ Sadəcə "embedding sözləri vektora çevirir" deməyin – çox səthi, müsahibə verən 'bundan sonra?' deyə soruşacaq.
❌ Çox riyazi olmayın (birbaşa Hilbert fəzasından danışmaq) – əzbər oxumaq kimi görünər, təcrübə göstərməz.
✅ Mütləq öz əlinizlə hansı problemi həll etdiyinizi söyləyin, hətta kurs layihəsi olsa belə. Konkret bir rəqəm (məsələn, dəqiqliyi 17% artırmaq) onlarla nəzəri cümlədən daha təsirlidir.