[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-embedding":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":150},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":110,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":111,"related":125,"views_count":147,"helpful_yes_count":114,"helpful_no_count":114,"created_at":148,"updated_at":149,"published_at":17},268,"embedding",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"Эмбеддинг (векторное представление)","Числовой вектор, в который модель переводит слово, предложение или другой объект, сохраняя его смысл.","Эмбеддинг — это способ перевести текст, изображение или другой объект в числовой вектор, в котором близкие по смыслу объекты лежат рядом. На уровне продукта это даёт мощный инструмент: семантический поиск, рекомендации, кластеризация, борьба с мошенничеством. Базы данных, оптимизированные под такие векторы, называют векторными — они умеют быстро находить ближайшие объекты по миллионам записей.","\u003Cp>Идея эмбеддингов проста: вместо того чтобы сравнивать слова по буквам, мы превращаем их в точки в многомерном пространстве (обычно 512, 1024 или больше измерений). Чем ближе точки друг к другу, тем ближе их смысл.\u003C\u002Fp>\u003Ch3>Что важно\u003C\u002Fh3>\u003Cul>\u003Cli>Эмбеддинги хорошо ловят синонимы и связанные понятия. «Машина» и «автомобиль» будут лежать рядом, хотя написаны по-разному.\u003C\u002Fli>\u003Cli>Они работают не только для слов, но и для предложений, абзацев, документов, изображений, аудио.\u003C\u002Fli>\u003Cli>Эмбеддинги, полученные на одной модели, нельзя смешивать с эмбеддингами другой — векторное пространство у каждой модели своё.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>Типичные применения\u003C\u002Fh3>\u003Cul>\u003Cli>Семантический поиск — найти документ по смыслу, а не по точному совпадению слов.\u003C\u002Fli>\u003Cli>RAG — отобрать подходящие куски базы знаний для большой языковой модели.\u003C\u002Fli>\u003Cli>Рекомендательные системы — найти похожие фильмы, товары, статьи.\u003C\u002Fli>\u003Cli>Кластеризация — автоматически разбить обращения клиентов на смысловые группы.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Нужен поиск или сравнение по смыслу, а не по точному совпадению\u003C\u002Fli>\u003Cli>Хотите строить RAG поверх своей базы знаний\u003C\u002Fli>\u003Cli>Нужно дешёвое и быстрое сравнение тысяч или миллионов объектов\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Точный поиск по идентификатору или строгая фильтрация — здесь обычный SQL быстрее и надёжнее\u003C\u002Fli>\u003Cli>Очень маленький объём данных — можно обойтись классическим полнотекстовым поиском\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>Если в базе вопросов поддержки лежат «как восстановить пароль», «не могу войти в аккаунт» и «забыл код», они окажутся рядом в пространстве эмбеддингов, хотя ни одно слово в них не совпадает. Когда новый клиент пишет «не могу зайти», система через эмбеддинги быстро находит этот кластер и подсказывает оператору готовые шаблоны ответов.\u003C\u002Fp>","\u003Cp>При запуске проекта с RAG модель эмбеддингов сильно влияет на качество поиска — иногда сильнее, чем сама языковая модель. Перед выбором стоит прогнать тестовый набор пар «запрос — правильный документ» через несколько моделей эмбеддингов и сравнить, какая чаще ставит правильный документ в первые 5 результатов.\u003C\u002Fp>","эмбеддинг, векторное представление, векторное вложение, Embedding","Embedding","Эмбеддинг: что это и как используется в ИИ | Глоссарий Shtab","Эмбеддинг — векторное представление текста или объекта: близкие по смыслу объекты лежат рядом. Где применяется: семантический поиск, RAG, рекомендации.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},10,"ai","#a855f7",{"ru":89},{"title":90,"description":91},"Искусственный интеллект","Терминология ИИ и больших языковых моделей: машинное обучение, нейросети, LLM, эмбеддинги, промптинг, RAG, агенты, MLOps, безопасность и этика моделей.",[93,101],{"id":94,"slug":95,"kind":96,"hex":87,"order":97,"translations":98},36,"ai-foundation","other",90,{"ru":99},{"title":100},"Основы ИИ",{"id":102,"slug":103,"kind":104,"hex":105,"order":106,"translations":107},37,"llm","framework","#7c5ce6",91,{"ru":108},{"title":109},"LLM","Э",[112,119],{"id":113,"order":114,"translations":115},1550,0,{"ru":116},{"question":117,"answer":118},"Чем эмбеддинг отличается от обычного поиска по словам?","\u003Cp>Обычный поиск (например, по индексам в базе данных или через Elasticsearch без векторов) ищет совпадения по словам и их формам. Эмбеддинги ищут по смыслу: «доктор» найдётся по запросу «врач», а «не могу зайти» — по запросу «проблемы со входом», даже если в документах нет таких слов вообще.\u003C\u002Fp>",{"id":120,"order":61,"translations":121},1551,{"ru":122},{"question":123,"answer":124},"Можно ли использовать эмбеддинги одной модели с другой?","\u003Cp>Нет, у каждой модели своё векторное пространство и своя размерность. Если вы поменяли модель эмбеддингов, придётся пересчитать векторы для всей базы и заново построить индекс в векторной базе данных. Смешивать векторы разных моделей нельзя: расстояния между ними ничего не значат.\u003C\u002Fp>",{"related":126},[127,133,140],{"id":128,"slug":103,"translations":129},264,{"ru":130},{"title":131,"short_definition":132},"Большая языковая модель","Нейросеть с миллиардами параметров, обученная предсказывать следующий токен в тексте и способная отвечать на вопросы, писать код и рассуждать.",{"id":134,"slug":135,"translations":136},278,"rag",{"ru":137},{"title":138,"short_definition":139},"RAG (поиск с дополнением генерации)","Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.",{"id":141,"slug":142,"translations":143},279,"vector-database",{"ru":144},{"title":145,"short_definition":146},"Векторная база данных","Хранилище, оптимизированное под быстрый поиск ближайших векторов — основа RAG-систем и семантического поиска.",97,"2026-05-11T19:55:48.646531+03:00","2026-05-11T19:55:48.646547+03:00",[151,177,198],{"id":152,"slug":153,"translations":154,"category":159,"tags":162,"letter":175,"cover":17,"updated_at":176,"published_at":17},282,"mcp",{"ru":155},{"title":156,"short_definition":157,"translation_en":158},"MCP (Model Context Protocol, протокол контекста модели)","Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.","Model Context Protocol (MCP)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":160},{"ru":161},{"title":90,"description":91},[163,166],{"id":102,"slug":103,"kind":104,"hex":105,"order":106,"translations":164},{"ru":165},{"title":109},{"id":167,"slug":168,"kind":169,"hex":170,"order":171,"translations":172},40,"ai-tool","tool","#5e79ec",94,{"ru":173},{"title":174},"Инструмент ИИ","M","2026-05-11T19:55:53.687297+03:00",{"id":178,"slug":179,"translations":180,"category":185,"tags":188,"letter":175,"cover":17,"updated_at":197,"published_at":17},287,"mlops",{"ru":181},{"title":182,"short_definition":183,"translation_en":184},"MLOps (эксплуатация ML-моделей)","Практики и инструменты для разработки, выкатки и эксплуатации моделей машинного обучения и ИИ в боевой среде — аналог DevOps для машинного обучения.","MLOps",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":186},{"ru":187},{"title":90,"description":91},[189,194],{"id":61,"slug":190,"kind":190,"hex":170,"order":61,"translations":191},"methodology",{"ru":192},{"title":193},"Методология",{"id":167,"slug":168,"kind":169,"hex":170,"order":171,"translations":195},{"ru":196},{"title":174},"2026-05-11T19:55:55.482827+03:00",{"id":134,"slug":135,"translations":199,"category":202,"tags":205,"letter":212,"cover":17,"updated_at":213,"published_at":17},{"ru":200},{"title":138,"short_definition":139,"translation_en":201},"Retrieval-Augmented Generation (RAG)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":203},{"ru":204},{"title":90,"description":91},[206,209],{"id":102,"slug":103,"kind":104,"hex":105,"order":106,"translations":207},{"ru":208},{"title":109},{"id":167,"slug":168,"kind":169,"hex":170,"order":171,"translations":210},{"ru":211},{"title":174},"R","2026-05-11T19:55:52.147205+03:00"]