Embeddingi i Bazy Wektorowe: Serce Aplikacji AI
Embeddingi numerycznie kodują semantykę tekstu i obrazów. Bazy wektorowe jak Pinecone, Weaviate i Qdrant umożliwiają wyszukiwanie semantyczne w milisekundach po miliardach rekordów.
Embedding to reprezentacja numeryczna semantyki — tekst 'pies' i 'czworonożny zwierzak' będą blisko siebie w przestrzeni wektorowej. To fundamentalny mechanizm za RAG, semantic search i rekomendacjami. Bazy wektorowe przechowują miliardy embeddingów i wykonują similarity search (ANN — Approximate Nearest Neighbors) w milisekundach.
Opcje w 2026: Pinecone (managed, łatwy w użyciu), Qdrant (open source, excellent performance), Weaviate (built-in vectorization), pgvector (PostgreSQL extension — wystarczy dla większości zastosowań <100M rekordów). Koszt: Pinecone serverless zaczyna od $0 do 100k rekordów. Dla scale: 1 miliard embeddingów na Qdrant na 2x A100 to ~$3000/miesiąc.
Zastosowania poza RAG: deduplication bazy danych (znajdź podobne rekordy), fraud detection (transakcja podobna do znanych fraudów), code search w repozytorium, visual search w eCommerce.