← Voltar para o Plano de estudos: 10 dias de imersão em GenAI
Dia 3: Embeddings
Esse será um dos dias mais importantes para você.
Se você entender embeddings, RAG começa a fazer sentido.
Pesquise:
- embedding
- vector embedding
- semantic similarity
- cosine similarity
- vector database
- vector search
- nearest neighbor
- semantic search
- dense retrieval
- sparse retrieval
- BM25
A Anthropic explica o pipeline básico de RAG de maneira bastante clara: documentos são divididos em chunks, transformados em embeddings, armazenados e posteriormente recuperados por similaridade semântica. Anthropic
Exercício
Imagine que você tenha:
Documento 1:
"Funcionários podem trabalhar remotamente às sextas-feiras."
Documento 2:
"Funcionários têm direito a 30 dias de férias."
Documento 3:
"A empresa oferece plano odontológico."Pergunta:
“Posso trabalhar de casa na sexta?”
O mecanismo precisa identificar que o Documento 1 é semanticamente relacionado.
Você precisa entender por que.