Проблема: компьютер работает с текстом как с набором символов, не понимая смысл. Обычный поиск ищет совпадение слов — и промахивается, когда смысл тот же, а слова разные. Пример: пользователь ищет «как вернуть покупку», а в вашей базе статья называется «оформление возврата товара». По словам они не совпадают («вернуть покупку» ≠ «возврат товара» ≠ «оформление»), и обычный поиск не найдёт нужное, хотя это ровно то, что человек искал. Эмбеддинги решают это. Идея: превратить текст в набор чисел (вектор), который отражает СМЫСЛ. Ключевое свойство: тексты с близким смыслом получают близкие числа-векторы, даже если слова разные. «Вернуть покупку» и «возврат товара» будут иметь близкие эмбеддинги, потому что смысл близок. Теперь можно искать по СМЫСЛУ: превращаете запрос в эмбеддинг, ищете тексты с ближайшими эмбеддингами — находите релевантное независимо от точных слов. Где это применяется (эмбеддинги — фундамент многого в ИИ): 1) Семантический поиск — находить по смыслу, а не по словам. 2) RAG — та самая индексация и поиск фрагментов по смыслу (из курса про RAG). 3) Рекомендации — находить похожие товары/статьи/контент. 4) Кластеризация и анализ — группировать похожее, находить связи. 5) Обнаружение дубликатов/похожего. Аналогия: эмбеддинг — как «координаты смысла» текста на воображаемой карте. Тексты о похожем расположены рядом, о разном — далеко. Это даёт компьютеру способ «понимать» близость по смыслу через близость чисел. Практически: эмбеддинги превращают проблему «понять смысл» в проблему «сравнить числа», которую компьютер решает легко и быстро. Это одна из фундаментальных техник, лежащая под семантическим поиском, RAG, рекомендациями. Этот курс разберёт эмбеддинги и векторные базы (где их хранят и ищут) детально.