Embeddingi i wektorowe bazy danych
Jak tekst zamienia się we współrzędne, jak baza wektorowa je przechowuje i co warto wiedzieć, zanim wgra się do niej dokument.
Na tej stronie
W 30 sekund
- Gdzie to się zdarza
- W asystencie, który odpowiada na podstawie zaindeksowanych dokumentów. Microsoft wymienia to zastosowanie, generowanie wspomagane wyszukiwaniem (RAG), wśród zastosowań bazy wektorowej[2].
- Co się dzieje
- Zależnie od konfiguracji dokument jest dzielony na części, zamieniany na wektory, a następnie przechowywany w indeksie, który przeszukuje się według znaczenia[2].
- Odruch
- Przed wgraniem dokumentu zapytać, kto będzie mógł go uzyskać za pośrednictwem asystenta, i traktować zaindeksowaną wersję jak sam dokument.
- Jeśli już się stało
- Powiadomić osobę odpowiedzialną za asystenta lub dział bezpieczeństwa, aby dokument został usunięty z indeksu.
O co chodzi
Embedding to ciąg liczb, czyli współrzędnych, który reprezentuje jakąś treść. Dwie treści o zbliżonym znaczeniu otrzymują zbliżone współrzędne. W przypadku słów pomysł opiera się na pracach Tomasa Mikolova i jego współautorów, przesłanych 16 stycznia 2013 roku, które proponują dwie architektury do obliczania ciągłych reprezentacji wektorowych słów na podstawie bardzo dużych zbiorów danych[1].
Baza wektorowa przechowuje te współrzędne, aby odnaleźć treści najbliższe zapytaniu. Microsoft opisuje wyszukiwanie wektorowe jako dopasowanie oparte na wektorach najbliższych wektorowi zapytania. Pozwala ono zbliżyć „dog” i „canine”, dwa słowa bliskie pojęciowo, lecz różne w zapisie[2].
Dla pracownika typowy przypadek to asystent podłączony do dokumentów firmy. Ten artykuł wyjaśnia zasadę, a następnie to, co warto wiedzieć, zanim wgra się do niego dokument.
Pytania wprost
Czym jest embedding?
To liczbowa reprezentacja treści. Model Skip-gram, przedstawiony przez Mikolova i jego współautorów, uczy się wektorów słów, które oddają dużą liczbę precyzyjnych zależności składniowych i semantycznych[3]. Autorzy zauważają ograniczenie: te reprezentacje pomijają kolejność słów i nie oddają wyrażeń idiomatycznych. Znaczeń „Canada” i „Air” nie da się łatwo połączyć w „Air Canada”[3].
BERT, przedstawiony w październiku 2018 roku, uczy się reprezentacji tekstu, uwzględniając jednocześnie kontekst po lewej i po prawej stronie słowa[4]. Sentence-BERT, opublikowany w sierpniu 2019 roku, wyprowadza z niego embeddingi zdań, które porównuje się za pomocą podobieństwa cosinusowego[5].
Czym jest wektorowa baza danych?
To system, który przechowuje wektory i odnajduje te najbliższe wektorowi zapytania. W Azure AI Search algorytm najbliższych sąsiadów umieszcza podobne wektory blisko siebie w indeksie, a zapytanie zwraca k najbliższych sąsiadów[2]. Usługa może pełnić rolę czystego indeksu wektorowego, pamięci długoterminowej, bazy wiedzy lub danych uziemiających dla architektury RAG[2].
Czy z embeddingu można odtworzyć pierwotny tekst?
Dla ostrożności zaindeksowaną wersję dokumentu traktuje się jak sam dokument.
Podobne ryzyko jest znane w przypadku modeli językowych. W grudniu 2020 roku Nicholas Carlini i jego współautorzy wykazują, że przeciwnik może odzyskać przykłady treningowe, odpytując model językowy[6]. Autorzy stwierdzają, że większe modele są bardziej podatne niż mniejsze[6].
Czy prawa dostępu podążają za dokumentami?
Microsoft przedstawia Foundry IQ jako warstwę wiedzy, która zamienia treści przedsiębiorstwa w „permission-aware knowledge bases” dla agentów[2]. Ta sama strona opisuje zapytania filtrowane: filtr stosuje się do pól tekstowych lub liczbowych, służy do filtrów metadanych i pozwala włączać lub wykluczać wyniki[2]. Pozostaje pytanie, czy prawa dokumentu pierwotnego obowiązują także jego zaindeksowane fragmenty: należy je zadać osobie odpowiedzialnej za asystenta przed wgraniem dokumentu.
Czy podstępna treść, raz zaindeksowana, może wpływać na odpowiedzi?
W architekturze RAG model łączy własną pamięć z pamięcią zewnętrzną[7]. Autorzy pierwotnego RAG używają gęstego indeksu wektorowego Wikipedii, przeszukiwanego przez neuronową wyszukiwarkę[7]. Jedno z ich sformułowań uzależnia całą odpowiedź od tych samych odzyskanych fragmentów[7]. To, co zostało zaindeksowane, wchodzi więc w skład tego, co model czyta, by odpowiedzieć.
Jeśli chodzi o ryzyka aplikacji opartych na modelach językowych, projekt OWASP prowadzi listę „most critical security vulnerabilities in LLM applications”, z której wskazana jest wersja z 2025 roku[8].
Jak to działa
Łańcuch składa się z trzech etapów: wytworzenia wektorów, ich przechowywania, a następnie odpytywania.
Wytwarzanie wektorów
Model embeddingu zamienia tekst na wektor. Nazwa BERT pochodzi od architektury, Transformera: Bidirectional Encoder Representations from Transformers[4]. Ta architektura, zaproponowana w czerwcu 2017 roku, opiera się wyłącznie na mechanizmach uwagi[9].
Zaleta Sentence-BERT polega na szybkości. Przy samym BERT znalezienie najbardziej podobnej pary wśród 10 000 zdań wymaga około 50 milionów obliczeń wnioskowania, czyli około 65 godzin. Przy Sentence-BERT wysiłek spada do około 5 sekund, przy zachowanej dokładności[5].
Przechowywanie wektorów
Azure AI Search opisuje dwie drogi. W przetwarzaniu wewnętrznym usługa dzieli dokumenty na fragmenty i zamienia je na wektory w potoku indeksatora. Klient dostarcza zasoby, takie jak punkty dostępu i dane połączenia Azure OpenAI[2]. W przetwarzaniu zewnętrznym embeddingi powstają poza usługą, a następnie są przesyłane do pól wektorowych indeksu[2].
Odpytywanie
Etap kodowania może zamienić zapytanie użytkownika na wektor przed wysłaniem go do indeksu[2]. Wyszukiwanie hybrydowe wykonuje równolegle wyszukiwanie wektorowe i wyszukiwanie po słowach kluczowych, a wyniki łączy w jedną odpowiedź. Microsoft pisze, że często daje ono lepsze wyniki niż każde z nich osobno[2].
Co robić
Przed wgraniem dokumentu do asystenta lub do indeksu:
- Zapytać, kto może odpytywać asystenta i czy prawa dokumentu pierwotnego są stosowane do odpowiedzi.
- Sprawdzić, dokąd trafiają teksty. W konfiguracji zintegrowanej usługa wywołuje model embeddingu, na przykład ten z Azure OpenAI[2].
- Uznać, że zaindeksowana kopia ma taką samą wrażliwość jak oryginał, dopóki nikt nie ustalił inaczej.
- Nie wgrywać dokumentu, którego pochodzenia się nie zna. W architekturze RAG odzyskane fragmenty uzależniają odpowiedź[7].
- Jeśli dokument został już wgrany przez pomyłkę, natychmiast zgłosić to osobie, która administruje asystentem.
Pułapki
- Wyszukiwanie według znaczenia zbliża treści o podobnym znaczeniu, a nie tylko te, które zawierają te same słowa. Microsoft przywołuje dopasowanie między „dog” i „canine”, między dwoma językami lub między tekstem a obrazem[2].
- Embedding może być multimodalny: tekst i obrazy mogą dzielić tę samą przestrzeń wyszukiwania[2].
- Baza wektorowa jest wyszukiwarką. Azure AI Search oferuje filtry metadanych i stanowi podstawę Foundry IQ[2]; należy sprawdzić, kto może ją odpytywać.
- Ramy odniesienia ewoluują. NIST opisuje swój AI RMF jako przeznaczony do dobrowolnego stosowania, opublikowany 26 stycznia 2023 roku i w trakcie rewizji. Profil poświęcony generatywnej AI, NIST-AI-600-1, został opublikowany 26 lipca 2024 roku[10].
Rzeczywiste przypadki
Wydobycie danych treningowych z GPT-2, grudzień 2020
Carlini i jego współautorzy atakują GPT-2, model wytrenowany na publicznych stronach internetowych. Wydobywają z niego setki sekwencji tekstu słowo w słowo: publiczne dane osobowe (imiona i nazwiska, numery telefonów, adresy e-mail), rozmowy IRC, kod i 128-bitowe UUID[6]. Atak działa nawet wtedy, gdy każda sekwencja występuje tylko w jednym dokumencie treningowym[6]. Ten przypadek dotyczy modelu językowego, a nie bazy wektorowej.
Źródła
- arXiv, „Efficient Estimation of Word Representations in Vector Space”, 16 stycznia 2013. https://arxiv.org/abs/1301.3781 (dostęp 10 listopada 2026)
- Microsoft, „Vector Search Overview - Azure AI Search”. https://learn.microsoft.com/en-us/azure/search/vector-search-overview (dostęp 10 listopada 2026)
- arXiv, „Distributed Representations of Words and Phrases and their Compositionality”, 16 października 2013. https://arxiv.org/abs/1310.4546 (dostęp 10 listopada 2026)
- arXiv, „BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”, 11 października 2018. https://arxiv.org/abs/1810.04805 (dostęp 10 listopada 2026)
- arXiv, „Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks”, 27 sierpnia 2019. https://arxiv.org/abs/1908.10084 (dostęp 10 listopada 2026)
- arXiv, „Extracting Training Data from Large Language Models”, 14 grudnia 2020. https://arxiv.org/abs/2012.07805 (dostęp 10 listopada 2026)
- arXiv, „Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, 22 maja 2020. https://arxiv.org/abs/2005.11401 (dostęp 10 listopada 2026)
- OWASP, „OWASP Top 10 for Large Language Model Applications | OWASP Foundation”. https://owasp.org/projects/top-10-for-large-language-model-applications (dostęp 10 listopada 2026)
- arXiv, „Attention Is All You Need”, 12 czerwca 2017. https://arxiv.org/abs/1706.03762 (dostęp 10 listopada 2026)
- NIST, „AI Risk Management Framework”. https://www.nist.gov/itl/ai-risk-management-framework (dostęp 10 listopada 2026)
Zacytuj ten artykuł
Brain, „Embeddingi i wektorowe bazy danych”, Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp262_pl_2026,
author = {Brain},
title = {Embeddingi i wektorowe bazy danych},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/pl/articles/embeddingi-i-wektorowe-bazy-danych/},
note = {CC BY 4.0}
}