Embeddings e bases de dados vetoriais
Como um texto se torna coordenadas, como uma base vetorial as organiza e o que convém saber antes de lá carregar um documento.
Nesta página
Em 30 segundos
- Onde acontece
- Num assistente que responde a partir de documentos indexados. A Microsoft cita esta utilização, a geração aumentada por recuperação (RAG), entre as de uma base vetorial[2].
- O que se passa
- Consoante a configuração, o documento é dividido, convertido em vetores e depois arrumado num índice que se interroga pelo sentido[2].
- O reflexo
- Antes de carregar um documento, perguntar quem o poderá obter através do assistente e tratar a versão indexada como o próprio documento.
- Se já foi feito
- Avisar o responsável do assistente ou a segurança para que o documento seja retirado do índice.
Do que se trata
Um embedding é uma sequência de números, coordenadas, que representa um conteúdo. Dois conteúdos de sentido próximo recebem coordenadas próximas. Para as palavras, a ideia assenta nos trabalhos de Tomas Mikolov e dos seus coautores, submetidos a 16 de janeiro de 2013, que propõem duas arquiteturas para calcular representações vetoriais contínuas de palavras a partir de conjuntos de dados muito grandes[1].
Uma base vetorial guarda essas coordenadas para encontrar os conteúdos mais próximos de um pedido de pesquisa. A Microsoft descreve a pesquisa vetorial como um emparelhamento baseado nos vetores mais próximos do vetor da consulta. Permite aproximar “dog” e “canine”, duas palavras conceptualmente próximas mas distintas na forma[2].
Para um colaborador, o caso comum é o assistente ligado aos documentos da empresa. Esta ficha explica o princípio e depois o que convém saber antes de lá carregar um documento.
Perguntas diretas
O que é um embedding?
É uma representação numérica de um conteúdo. O modelo Skip-gram, apresentado por Mikolov e pelos seus coautores, aprende vetores de palavras que captam um grande número de relações sintáticas e semânticas precisas[3]. Os autores assinalam um limite: estas representações ignoram a ordem das palavras e não traduzem as expressões idiomáticas. Os sentidos de “Canada” e de “Air” não se combinam facilmente para dar “Air Canada”[3].
O BERT, apresentado em outubro de 2018, aprende representações de texto tendo em conta ao mesmo tempo o contexto à esquerda e à direita de uma palavra[4]. O Sentence-BERT, publicado em agosto de 2019, deriva dele embeddings de frases que se comparam por similaridade do cosseno[5].
O que é uma base de dados vetorial?
É um sistema que guarda vetores e encontra os mais próximos de um vetor de consulta. No Azure AI Search, um algoritmo de vizinhos mais próximos coloca os vetores semelhantes perto uns dos outros no índice, e uma consulta devolve os k vizinhos mais próximos[2]. O serviço pode servir de índice vetorial puro, de memória de longo prazo, de base de conhecimento ou de dados de ancoragem para uma arquitetura RAG[2].
É possível reencontrar o texto de origem a partir de um embedding?
Por prudência, a versão indexada de um documento trata-se como o documento.
Conhece-se um risco vizinho para os modelos de linguagem. Em dezembro de 2020, Nicholas Carlini e os seus coautores mostram que um adversário pode recuperar exemplos de treino interrogando um modelo de linguagem[6]. Os autores constatam que os modelos maiores são mais vulneráveis do que os pequenos[6].
Os direitos de acesso acompanham os documentos?
A Microsoft apresenta o Foundry IQ como uma camada de conhecimento que transforma o conteúdo da empresa em “permission-aware knowledge bases” para agentes[2]. A mesma página descreve as consultas filtradas: um filtro aplica-se a campos de texto ou numéricos, serve para os filtros de metadados e permite incluir ou excluir resultados[2]. Resta saber se os direitos de um documento de origem acompanham as passagens indexadas: a pergunta faz-se ao responsável do assistente antes de qualquer carregamento.
Um conteúdo armadilhado, depois de indexado, pode influenciar as respostas?
Numa arquitetura RAG, o modelo combina a sua memória própria e uma memória externa[7]. Os autores do RAG original usam um índice vetorial denso da Wikipédia, interrogado por um motor de pesquisa neuronal[7]. Uma das suas formulações condiciona toda a resposta às mesmas passagens recuperadas[7]. O que está indexado entra, portanto, naquilo que o modelo lê para responder.
Quanto aos riscos das aplicações baseadas em modelos de linguagem, o projeto OWASP mantém uma lista das “most critical security vulnerabilities in LLM applications”, da qual é assinalada uma versão de 2025[8].
Como funciona
A cadeia tem três etapas: fabricar os vetores, arrumá-los e depois interrogá-los.
Fabricar os vetores
Um modelo de embedding transforma o texto em vetor. O nome BERT vem de uma arquitetura, o Transformer: Bidirectional Encoder Representations from Transformers[4]. Esta arquitetura, proposta em junho de 2017, assenta unicamente em mecanismos de atenção[9].
O interesse do Sentence-BERT está na velocidade. Com o BERT sozinho, encontrar o par mais semelhante entre 10 000 frases requer cerca de 50 milhões de cálculos de inferência, ou seja, cerca de 65 horas. Com o Sentence-BERT, o esforço desce para cerca de 5 segundos, com a precisão mantida[5].
Arrumar os vetores
O Azure AI Search descreve duas vias. No tratamento interno, o serviço divide os documentos em pedaços e vetoriza-os num pipeline de indexador. O cliente fornece os recursos, como os pontos de acesso e as informações de ligação do Azure OpenAI[2]. No tratamento externo, os embeddings são produzidos fora do serviço e depois enviados para os campos vetoriais do índice[2].
Interrogar
Uma etapa de codificação pode transformar a consulta do utilizador em vetor antes de a enviar ao índice[2]. A pesquisa híbrida executa em paralelo a pesquisa vetorial e a pesquisa por palavras-chave, e funde os resultados numa única resposta. A Microsoft escreve que dá muitas vezes melhores resultados do que uma ou outra isoladamente[2].
O que faz
Antes de carregar um documento num assistente ou num índice:
- Pergunte quem pode interrogar o assistente e se os direitos do documento de origem são aplicados às respostas.
- Verifique para onde vão os textos. Numa configuração integrada, o serviço chama um modelo de embedding, por exemplo o do Azure OpenAI[2].
- Considere que a cópia indexada tem a mesma sensibilidade que o original, enquanto ninguém tiver estabelecido o contrário.
- Não carregue um documento cuja proveniência desconhece. Numa arquitetura RAG, passagens recuperadas condicionam a resposta[7].
- Se o documento já foi carregado por engano, assinale-o imediatamente à pessoa que administra o assistente.
As armadilhas
- A pesquisa pelo sentido aproxima conteúdos de sentido próximo, e não apenas os que contêm as mesmas palavras. A Microsoft cita a correspondência entre “dog” e “canine”, entre duas línguas ou entre um texto e uma imagem[2].
- Um embedding pode ser multimodal: texto e imagens podem partilhar o mesmo espaço de pesquisa[2].
- Uma base vetorial é um motor de pesquisa. O Azure AI Search propõe filtros de metadados e serve de base ao Foundry IQ[2]; verifique quem a pode interrogar.
- Os quadros de referência evoluem. O NIST descreve o seu AI RMF como destinado a uso voluntário, publicado a 26 de janeiro de 2023 e em revisão. Um perfil dedicado à IA generativa, NIST-AI-600-1, foi publicado a 26 de julho de 2024[10].
Casos reais
Extração de dados de treino do GPT-2, dezembro de 2020
Carlini e os seus coautores atacam o GPT-2, um modelo treinado em páginas públicas da Internet. Extraem dele centenas de sequências de texto palavra por palavra: dados pessoais públicos (nomes, números de telefone, endereços de e-mail), conversas IRC, código e UUID de 128 bits[6]. O ataque funciona mesmo quando cada sequência figura num único documento de treino[6]. Este caso diz respeito a um modelo de linguagem, não a uma base vetorial.
Fontes
- arXiv, «Efficient Estimation of Word Representations in Vector Space», 16 de janeiro de 2013. https://arxiv.org/abs/1301.3781 (consultado em 10 de novembro de 2026)
- Microsoft, «Vector Search Overview - Azure AI Search». https://learn.microsoft.com/en-us/azure/search/vector-search-overview (consultado em 10 de novembro de 2026)
- arXiv, «Distributed Representations of Words and Phrases and their Compositionality», 16 de outubro de 2013. https://arxiv.org/abs/1310.4546 (consultado em 10 de novembro de 2026)
- arXiv, «BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding», 11 de outubro de 2018. https://arxiv.org/abs/1810.04805 (consultado em 10 de novembro de 2026)
- arXiv, «Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks», 27 de agosto de 2019. https://arxiv.org/abs/1908.10084 (consultado em 10 de novembro de 2026)
- arXiv, «Extracting Training Data from Large Language Models», 14 de dezembro de 2020. https://arxiv.org/abs/2012.07805 (consultado em 10 de novembro de 2026)
- arXiv, «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», 22 de maio de 2020. https://arxiv.org/abs/2005.11401 (consultado em 10 de novembro de 2026)
- OWASP, «OWASP Top 10 for Large Language Model Applications | OWASP Foundation». https://owasp.org/projects/top-10-for-large-language-model-applications (consultado em 10 de novembro de 2026)
- arXiv, «Attention Is All You Need», 12 de junho de 2017. https://arxiv.org/abs/1706.03762 (consultado em 10 de novembro de 2026)
- NIST, «AI Risk Management Framework». https://www.nist.gov/itl/ai-risk-management-framework (consultado em 10 de novembro de 2026)
Citar este artigo
Brain, «Embeddings e bases de dados vetoriais», Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp262_pt_2026,
author = {Brain},
title = {Embeddings e bases de dados vetoriais},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/pt/articles/embeddings-bases-de-dados-vetoriais/},
note = {CC BY 4.0}
}