per esempio l’embedding consente di trovare crudo e melone chiedendo prosciutto e melone, o decaffeinato chiedendo deca.
Contabilità:
“Cartoleria” vs “Cancelleria”
Utente:
fattura cartoleria 48 euro
PDC:
Spese di cancelleria
match testuale puro può fallire, embedding no.
“Benzina” vs voce contabile
Utente:
rifornimento benzina auto aziendale
PDC:
Carburanti e lubrificanti
Spese automezzi
Costi autovetture
L’embedding collega il significato.
Libri
anche “cercare un libro da acquistare” è un ottimo esempio di uso degli embedding.
Perché spesso il lettore non ricorda titolo preciso o autore, ma solo:
argomento
trama
personaggi
idea generale
una frase simile
“un libro tipo…”
e qui l’embedding aiuta moltissimo.
- Ricordo approssimativo del titolo
Utente:
cerco il libro sul ragazzo che scappa da scuola e gira per New York
→ può trovare
Il giovane Holden
anche senza scrivere il titolo esatto.
Per chatGPT gli embeddings si trovano qui
Esperimenti con embeddings
Cerca: prosciutto e melone
RISULTATI:
0,594 - 2078173 - Prodotto: Crudo e melone
Categoria: antipasti
Prezzo: 13,00
TEMPI:
Embedding OpenAI : 925 ms (è il tempo per creare l’embedding dell’inpu dell’utente)
Ricerca DB : 736 ms (su 360 righe embeddate)
Totale : 1661 ms
Cerca: mezza naturale
RISULTATI:
0,522 - 9069407 - Prodotto: 1/2 acqua naturale
Categoria: bevande
Prezzo: 1,30
TEMPI:
Embedding OpenAI : 446 ms
Ricerca DB : 286 ms
Totale : 733 ms
Cerca: caffè vaniglia
RISULTATI:
0,599 - 7918301 - Prodotto: Caffè shakerato vaniglia
Categoria: bevande
Prezzo: 3,50
TEMPI:
Embedding OpenAI : 2455 ms
Ricerca DB : 409 ms
Totale : 2864 ms
Cerca: un quartino di rosè => Prodotto: 1/4 vino rosè
Cerca: Panachè piccola => Prodotto: Panache piccola