Embeddings e database vettoriali
Come un testo diventa coordinate, come un database vettoriale le archivia e che cosa sapere prima di caricarvi un documento.
In questa pagina
In 30 secondi
- Dove succede
- In un assistente che risponde a partire da documenti indicizzati. Microsoft cita questo uso, la generazione aumentata dal recupero (RAG), tra quelli di un database vettoriale[2].
- Che cosa succede
- Secondo la configurazione, il documento viene suddiviso, convertito in vettori, poi archiviato in un indice che si interroga per significato[2].
- Il riflesso
- Prima di caricare un documento, chiedere chi potrà ottenerlo tramite l'assistente e trattare la versione indicizzata come il documento stesso.
- Se è già stato fatto
- Avvisare il responsabile dell'assistente o la sicurezza per far rimuovere il documento dall'indice.
Di cosa si tratta
Un embedding è una sequenza di numeri, delle coordinate, che rappresenta un contenuto. Due contenuti dal significato vicino ricevono coordinate vicine. Per le parole, l'idea si basa sui lavori di Tomas Mikolov e dei suoi coautori, inviati il 16 gennaio 2013, che propongono due architetture per calcolare rappresentazioni vettoriali continue di parole a partire da insiemi di dati molto grandi[1].
Un database vettoriale archivia queste coordinate per ritrovare i contenuti più vicini a una richiesta. Microsoft descrive la ricerca vettoriale come un abbinamento fondato sui vettori più vicini al vettore della richiesta. Consente di avvicinare «dog» e «canine», due parole concettualmente vicine ma distinte nella forma[2].
Per un dipendente, il caso comune è l'assistente collegato ai documenti dell'azienda. Questo articolo spiega il principio, poi che cosa sapere prima di caricarvi un documento.
Domande dirette
Che cos'è un embedding?
È una rappresentazione numerica di un contenuto. Il modello Skip-gram, presentato da Mikolov e dai suoi coautori, apprende vettori di parole che catturano un gran numero di relazioni sintattiche e semantiche precise[3]. Gli autori osservano un limite: queste rappresentazioni ignorano l'ordine delle parole e non rendono le espressioni idiomatiche. I significati di «Canada» e di «Air» non si combinano facilmente per dare «Air Canada»[3].
BERT, presentato a ottobre 2018, apprende rappresentazioni di testo tenendo conto sia del contesto a sinistra sia di quello a destra di una parola[4]. Sentence-BERT, pubblicato ad agosto 2019, ne ricava embeddings di frasi che si confrontano per similarità del coseno[5].
Che cos'è un database vettoriale?
È un sistema che archivia vettori e ritrova i più vicini a un vettore di richiesta. In Azure AI Search, un algoritmo dei vicini più prossimi colloca i vettori simili vicini tra loro nell'indice, e una richiesta restituisce i k vicini più prossimi[2]. Il servizio può servire come indice vettoriale puro, come memoria a lungo termine, come base di conoscenza o come dati di ancoraggio per un'architettura RAG[2].
È possibile ritrovare il testo originale a partire da un embedding?
Per prudenza, la versione indicizzata di un documento si tratta come il documento.
Un rischio vicino è noto per i modelli linguistici. A dicembre 2020, Nicholas Carlini e i suoi coautori mostrano che un avversario può recuperare esempi di addestramento interrogando un modello linguistico[6]. Gli autori constatano che i modelli più grandi sono più vulnerabili di quelli piccoli[6].
I diritti di accesso seguono i documenti?
Microsoft presenta Foundry IQ come uno strato di conoscenze che trasforma il contenuto aziendale in «permission-aware knowledge bases» per degli agenti[2]. La stessa pagina descrive le richieste filtrate: un filtro si applica a dei campi testuali o numerici, serve per i filtri sui metadati e permette di includere o escludere dei risultati[2]. Resta da sapere se i diritti di un documento d'origine seguono i suoi passaggi indicizzati: la domanda si pone al responsabile dell'assistente prima di qualsiasi caricamento.
Un contenuto trappola, una volta indicizzato, può influenzare le risposte?
In un'architettura RAG, il modello combina la propria memoria e una memoria esterna[7]. Gli autori del RAG originale usano un indice vettoriale denso di Wikipedia, interrogato da un motore di ricerca neurale[7]. Una delle loro formulazioni condiziona l'intera risposta sugli stessi passaggi recuperati[7]. Ciò che è indicizzato entra quindi in ciò che il modello legge per rispondere.
Per i rischi delle applicazioni basate su modelli linguistici, il progetto OWASP mantiene un elenco delle «most critical security vulnerabilities in LLM applications», di cui è segnalata una versione 2025[8].
Come funziona
La catena comprende tre fasi: costruire i vettori, archiviarli, poi interrogarli.
Costruire i vettori
Un modello di embedding trasforma il testo in vettore. Il nome di BERT deriva da un'architettura, il Transformer: Bidirectional Encoder Representations from Transformers[4]. Questa architettura, proposta a giugno 2017, si basa unicamente su meccanismi di attenzione[9].
L'interesse di Sentence-BERT sta nella velocità. Con BERT da solo, trovare la coppia più simile tra 10.000 frasi richiede circa 50 milioni di calcoli di inferenza, ovvero circa 65 ore. Con Sentence-BERT, lo sforzo scende a circa 5 secondi, con una precisione mantenuta[5].
Archiviare i vettori
Azure AI Search descrive due vie. Nell'elaborazione interna, il servizio suddivide i documenti in porzioni e le vettorizza in una pipeline di indicizzatore. Il cliente fornisce le risorse, come i punti di accesso e le informazioni di connessione di Azure OpenAI[2]. Nell'elaborazione esterna, gli embeddings sono prodotti fuori dal servizio, poi inviati nei campi vettoriali dell'indice[2].
Interrogare
Una fase di codifica può trasformare la richiesta dell'utente in vettore prima del suo invio all'indice[2]. La ricerca ibrida esegue in parallelo la ricerca vettoriale e la ricerca per parole chiave, e fonde i risultati in un'unica risposta. Microsoft scrive che spesso dà risultati migliori dell'una o dell'altra da sola[2].
Cosa fa Lei
Prima di caricare un documento in un assistente o in un indice:
- Chieda chi può interrogare l'assistente e se i diritti del documento d'origine sono applicati alle risposte.
- Verifichi dove vanno i testi. In una configurazione integrata, il servizio chiama un modello di embedding, per esempio quello di Azure OpenAI[2].
- Consideri che la copia indicizzata abbia la stessa sensibilità dell'originale, finché nessuno ha stabilito il contrario.
- Non carichi un documento di cui non conosce la provenienza. In un'architettura RAG, dei passaggi recuperati condizionano la risposta[7].
- Se il documento è già stato caricato per errore, lo segnali subito alla persona che amministra l'assistente.
Le trappole
- La ricerca per significato avvicina contenuti dal significato vicino, non solo quelli che contengono le stesse parole. Microsoft cita la corrispondenza tra «dog» e «canine», tra due lingue o tra un testo e un'immagine[2].
- Un embedding può essere multimodale: testo e immagini possono condividere lo stesso spazio di ricerca[2].
- Un database vettoriale è un motore di ricerca. Azure AI Search offre filtri sui metadati e fa da fondamento a Foundry IQ[2]; verifichi chi può interrogarlo.
- I quadri di riferimento evolvono. Il NIST descrive il proprio AI RMF come destinato a un uso volontario, pubblicato il 26 gennaio 2023 e in corso di revisione. Un profilo dedicato all'IA generativa, NIST-AI-600-1, è stato pubblicato il 26 luglio 2024[10].
Casi reali
Estrazione di dati di addestramento di GPT-2, dicembre 2020
Carlini e i suoi coautori attaccano GPT-2, un modello addestrato su pagine pubbliche di Internet. Ne estraggono centinaia di sequenze di testo parola per parola: dati personali pubblici (nomi, numeri di telefono, indirizzi e-mail), conversazioni IRC, codice e UUID a 128 bit[6]. L'attacco funziona anche quando ogni sequenza compare in un solo documento di addestramento[6]. Questo caso riguarda un modello linguistico, non un database vettoriale.
Fonti
- arXiv, «Efficient Estimation of Word Representations in Vector Space», 16 gennaio 2013. https://arxiv.org/abs/1301.3781 (consultato il 10 novembre 2026)
- Microsoft, «Vector Search Overview - Azure AI Search». https://learn.microsoft.com/en-us/azure/search/vector-search-overview (consultato il 10 novembre 2026)
- arXiv, «Distributed Representations of Words and Phrases and their Compositionality», 16 ottobre 2013. https://arxiv.org/abs/1310.4546 (consultato il 10 novembre 2026)
- arXiv, «BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding», 11 ottobre 2018. https://arxiv.org/abs/1810.04805 (consultato il 10 novembre 2026)
- arXiv, «Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks», 27 agosto 2019. https://arxiv.org/abs/1908.10084 (consultato il 10 novembre 2026)
- arXiv, «Extracting Training Data from Large Language Models», 14 dicembre 2020. https://arxiv.org/abs/2012.07805 (consultato il 10 novembre 2026)
- arXiv, «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», 22 maggio 2020. https://arxiv.org/abs/2005.11401 (consultato il 10 novembre 2026)
- OWASP, «OWASP Top 10 for Large Language Model Applications | OWASP Foundation». https://owasp.org/projects/top-10-for-large-language-model-applications (consultato il 10 novembre 2026)
- arXiv, «Attention Is All You Need», 12 giugno 2017. https://arxiv.org/abs/1706.03762 (consultato il 10 novembre 2026)
- NIST, «AI Risk Management Framework». https://www.nist.gov/itl/ai-risk-management-framework (consultato il 10 novembre 2026)
Cita questo articolo
Brain, «Embeddings e database vettoriali», Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp262_it_2026,
author = {Brain},
title = {Embeddings e database vettoriali},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/it/articles/embeddings-database-vettoriali/},
note = {CC BY 4.0}
}