Cosa sono gli embedding e i database vettoriali: la guida completa

Un computer non capisce le parole. Non sa che “cane” e “cucciolo” hanno qualcosa in comune, né che “Roma” sta all’Italia come “Parigi” sta alla Francia. Conosce solo numeri. Eppure oggi i modelli di intelligenza artificiale sembrano afferrare il significato del linguaggio, delle immagini e persino dei suoni. Il ponte tra il testo che leggi e i numeri che una macchina elabora ha un nome preciso: embedding.

Gli embedding sono una delle idee più importanti, e allo stesso tempo meno raccontate, dell’AI moderna. Stanno dietro ai motori di ricerca semantica, ai sistemi di raccomandazione, agli assistenti che rispondono sui tuoi documenti e a gran parte di ciò che chiami intelligenza in un modello.

In questa guida vedrai cosa sono, come funzionano, dove vengono conservati e come puoi iniziare a usarli, senza dare per scontato nulla.

Cosa sono gli embedding

Un embedding è la rappresentazione di un oggetto, una parola, una frase, un’immagine o un intero documento, sotto forma di una lista di numeri. Questa lista si chiama vettore. Invece di trattare la parola “gatto” come una sequenza di lettere priva di senso per la macchina, la trasformi in qualcosa come [0.12, -0.47, 0.88, …], dove ogni numero descrive una sfumatura del suo significato.

La parola chiave è significato. Un buon embedding non assegna numeri a caso, li assegna in modo che oggetti simili finiscano vicini e oggetti diversi finiscano lontani.

Da parole a numeri

Per capire perché serve tutto questo, pensa a come lavora un modello. Ogni operazione al suo interno è un calcolo matematico, moltiplicazioni e somme su grandi tabelle di numeri. Se vuoi che una rete neurale ragioni sul linguaggio, devi prima darle il linguaggio in una forma che sappia manipolare. Gli embedding sono esattamente questa forma.

Il modo più ingenuo di trasformare le parole in numeri sarebbe assegnare un codice a ciascuna, uno per “gatto”, uno per “cane”, e così via. Ma un codice del genere non porta con sé alcun significato, perché non dice nulla su quanto due parole siano vicine. Gli embedding risolvono proprio questo problema.

Lo spazio vettoriale e il concetto di vicinanza

Immagina uno spazio a molte dimensioni, non le tre a cui sei abituato, ma centinaia o migliaia. Ogni parola è un punto in questo spazio. Le parole con significato affine si trovano in zone vicine, quelle senza rapporto stanno in regioni distanti.

In un embedding ben addestrato, “medico”, “infermiere” e “ospedale” abitano lo stesso quartiere. “Chitarra”, “batteria” e “concerto” ne occupano un altro. La distanza tra i punti diventa una misura concreta di quanto due concetti siano legati.

Questa è l’intuizione fondamentale, tieni a mente l’immagine di una mappa dove le cose simili si raggruppano.

L’aritmetica dei significati

C’è un esempio diventato celebre che rende tangibile tutto questo. Nei primi modelli di word embedding come word2vec, sviluppato da Google nel 2013, si scoprì che i vettori catturavano relazioni sorprendenti. Prendendo il vettore di “re”, sottraendo quello di “uomo” e aggiungendo quello di “donna”, si otteneva un punto vicinissimo al vettore di “regina”.

Il modello non aveva mai imparato esplicitamente il concetto di genere o di regalità. Aveva semplicemente osservato enormi quantità di testo e sistemato le parole nello spazio in modo che queste relazioni emergessero da sole. È qui che gli embedding smettono di sembrare una tecnicità e iniziano a somigliare a una forma di comprensione.

Come funzionano gli embedding, dietro le quinte

La domanda naturale è: chi decide dove va ciascun punto? La risposta è che nessuno lo decide a mano. Gli embedding si imparano.

Nascono dall’addestramento di una rete neurale

Un modello viene esposto a grandi quantità di dati e a un compito da risolvere, per esempio prevedere la parola successiva in una frase o capire se due frasi hanno lo stesso senso. Per riuscirci, la rete è costretta ad aggiustare i numeri dei vettori, avvicinando ciò che compare in contesti simili e allontanando ciò che non c’entra.

Questo processo è una forma di apprendimento automatico e segue le stesse logiche di fondo che trovi nell’apprendimento supervisionato e non supervisionato. La differenza è che il vero obiettivo non è la previsione in sé, ma la rappresentazione ricca e ordinata che il modello costruisce lungo il percorso.

Alla fine dell’addestramento, quei vettori sono l’oro che porti a casa.

Non tutti gli embedding sono uguali

Una distinzione importante riguarda gli embedding statici e quelli contestuali. I primi, come quelli di word2vec o GloVe, assegnano a ogni parola un vettore fisso: “banca” ha sempre lo stesso, che tu stia parlando di finanza o del bordo di un fiume. I secondi, prodotti dai modelli moderni, cambiano il vettore in base alla frase intera, così “banca” assume sfumature diverse a seconda del contesto.

C’è poi una differenza di scala. Puoi creare embedding di singole parole, di intere frasi, di paragrafi o di documenti completi. E puoi andare oltre il testo: esistono embedding di immagini, di audio e persino embedding multimodali, che collocano una foto e la sua descrizione testuale nello stesso spazio, così da poter cercare immagini a partire da una frase.

A cosa servono gli embedding

Qui la teoria diventa pratica. Una volta che sai trasformare qualsiasi cosa in un vettore che ne cattura il significato, si aprono moltissime applicazioni concrete.

La più diretta è la ricerca semantica. I motori tradizionali cercano parole esatte, gli embedding cercano concetti. Un utente che scrive “come ridurre le tasse sull’auto aziendale” trova documenti che parlano di “detrazioni fiscali per veicoli d’impresa”, anche senza una sola parola in comune, perché i due testi finiscono vicini nello spazio vettoriale.

Su questa base si costruiscono molte altre funzioni:

• sistemi di raccomandazione che suggeriscono prodotti, brani o articoli simili a quelli che ti piacciono;
• classificazione automatica di email, recensioni o ticket in categorie, a partire dal loro contenuto;
• clustering, cioè il raggruppamento di grandi quantità di dati in temi ricorrenti senza etichette predefinite;
• rilevamento di duplicati e anomalie, utile per trovare contenuti quasi identici o comportamenti fuori norma.

C’è poi l’applicazione che ha reso gli embedding indispensabili negli ultimi anni, quella che collega i tuoi dati privati ai modelli linguistici. La vedremo tra poco.

I database vettoriali, la casa degli embedding

Quando trasformi migliaia o milioni di documenti in vettori, ti serve un posto dove conservarli e, soprattutto, un modo per ritrovare in fretta i più vicini a una domanda. Un database tradizionale non è pensato per questo. Entrano in gioco i database vettoriali.

Come si misura la somiglianza

Per sapere quanto due embedding sono vicini si usa una misura di distanza. La più diffusa è la similarità del coseno, che guarda l’angolo tra due vettori più che la loro lunghezza. Due testi con significato affine puntano nella stessa direzione e ottengono un punteggio alto, due testi scollegati puntano altrove e ottengono un punteggio basso.

È un calcolo semplice, ma ripeterlo su milioni di vettori a ogni ricerca sarebbe lento.

La ricerca dei vicini più prossimi

Per questo i database vettoriali usano algoritmi di ricerca approssimata dei vicini più prossimi, noti con la sigla inglese ANN. Invece di confrontare la tua domanda con tutti i vettori uno per uno, organizzano lo spazio in modo intelligente e trovano quasi sempre i risultati migliori esaminandone solo una piccola parte. Accetti un margine minimo di imprecisione in cambio di una velocità enormemente maggiore.

Quali strumenti esistono

L’ecosistema è ricco. Tra le soluzioni dedicate trovi Pinecone, Weaviate, Milvus, Qdrant e Chroma. Chi preferisce restare vicino al database che già usa può affidarsi a estensioni come pgvector per PostgreSQL. A un livello più basso, la libreria FAISS di Meta è uno standard per la ricerca vettoriale efficiente. La scelta dipende dal volume dei dati, dalla necessità di aggiornamenti in tempo reale e dall’infrastruttura che hai a disposizione.

Embedding, transformer e modelli linguistici

Gli embedding non vivono isolati, sono parte integrante dei modelli che usi ogni giorno. Quando scrivi a un assistente, la prima cosa che accade è che il tuo testo viene convertito in vettori. Da lì in poi il modello lavora solo su numeri.

I modelli moderni si basano su un’architettura precisa, e capire i Transformer aiuta a vedere il ruolo degli embedding: sono l’ingresso del sistema, il punto in cui il linguaggio entra nella macchina, e vengono poi arricchiti di contesto a ogni livello della rete. Lo stesso vale per i large language model, che senza una buona rappresentazione vettoriale del testo non potrebbero generare risposte coerenti.

L’incontro più potente tra embedding e modelli linguistici è però un altro. Si chiama RAG, e permette a un modello di rispondere basandosi su documenti che non ha mai visto durante l’addestramento. Il meccanismo è semplice da raccontare: trasformi i tuoi documenti in embedding, li salvi in un database vettoriale, e quando arriva una domanda recuperi i pezzi di testo più vicini e li passi al modello come contesto. È così che nascono gli assistenti che rispondono sul manuale della tua azienda o sull’archivio del tuo sito.

Come iniziare a usare gli embedding

La buona notizia è che non devi addestrare nulla da zero. Oggi generare embedding di qualità è alla portata di chiunque sappia usare un’API o una libreria.

Sul fronte dei servizi commerciali, aziende come OpenAI e Cohere offrono modelli di embedding a cui invii un testo e ricevi il vettore corrispondente. Se preferiscisoluzioni gratuite e sotto il tuo controllo, il progetto open source Sentence Transformers mette a disposizione modelli che puoi far girare sul tuo computer, senza inviare dati a terzi.

Qualche criterio pratico ti aiuta a scegliere. La dimensione del vettore, cioè quanti numeri lo compongono, incide sulla precisione ma anche sullo spazio occupato e sulla velocità. Un punto spesso trascurato riguarda la coerenza: i documenti che salvi e le domande che poni devono usare lo stesso modello di embedding, altrimenti i vettori non sono confrontabili. Se un domani cambi modello, dovrai rigenerare tutti gli embedding del tuo archivio.

Parti in piccolo. Prendi qualche decina di documenti, generane gli embedding, salvali e prova una ricerca semantica: capirai in mezza giornata più che in settimane di teoria.

Limiti e aspetti da considerare

Gli embedding sono potenti, ma non magici, e conoscerne i limiti ti evita brutte sorprese.

Il primo è che ereditano i pregiudizi dei dati su cui sono stati addestrati. Se il testo di partenza contiene stereotipi, questi si riflettono nelle distanze tra i vettori, con conseguenze concrete quando gli embedding guidano decisioni su persone.

Il secondo riguarda la lingua e il dominio. Un modello addestrato soprattutto sull’inglese o su testi generici può rendere meno bene sull’italiano o su un gergo molto specialistico, come quello medico o legale. Vale la pena verificare la qualità sui tuoi dati reali, non fidarti solo delle classifiche.

Infine c’è la manutenzione. Il significato delle cose cambia nel tempo, nascono termini nuovi, e un archivio di embedding va aggiornato se vuoi che resti utile. Non è un lavoro da fare una volta e dimenticare.

In sintesi

Gli embedding sono il modo in cui l’intelligenza artificiale traduce il mondo, fatto di parole, immagini e suoni, in una lingua che le macchine sanno leggere: quella dei vettori. Capire questa idea significa capire perché la ricerca semantica funziona, come un assistente riesce a rispondere sui tuoi documenti e cosa succede davvero quando premi invio su un modello linguistico.

Non ti serve un dottorato per sfruttarli. Ti bastano un modello di embedding, un piccolo insieme di dati e la voglia di sperimentare. Da lì, i database vettoriali e le tecniche più avanzate arriveranno come naturale conseguenza.

Se questa guida ti ha chiarito le idee, salvala tra i preferiti e usala come punto di partenza per i tuoi primi esperimenti. Il modo migliore per imparare gli embedding è provarli, quindi scegli un problema concreto e mettili al lavoro oggi stesso.