הטמעות AI (Embeddings)

מהן הטמעות AI?

הטמעות (Embeddings) הן הדרך שבה מערכות AI מבינות משמעות. כשסוכן AI צריך למצוא את התשובה הנכונה לשאלת לקוח, הוא לא מחפש התאמות מדויקות של מילות מפתח — הוא ממיר גם את השאלה וגם את כל הידע הזמין לווקטורים מספריים (מערכים של מספרים) שמייצגים את המשמעות הסמנטית שלהם. שאלות ותשובות בעלות משמעות דומה ממוקמות קרוב זו לזו במרחב הווקטורי, וכך הסוכן יכול למצוא מידע רלוונטי גם כשהלקוח משתמש במילים שונות לגמרי מאלה שבתיעוד.

לדוגמה, לקוח ששואל "איך אני מקבל את הכסף שלי בחזרה?" ומסמך בשם "מדיניות החזרים כספיים והחזרת מוצרים" משתמשים במילים שונות, אבל יש להם הטמעות דומות כי הם חולקים את אותה משמעות בסיסית.

איך הטמעות פועלות בשירות לקוחות

כשמגדירים מערכת AI לשירות לקוחות, כל מאמרי מאגר הידע, תיעוד המוצר ותוכן התמיכה מומרים להטמעות ונשמרים במסד נתונים וקטורי. כשלקוח שולח הודעה, גם היא מומרת להטמעה. לאחר מכן המערכת מבצעת חיפוש דמיון — מאתרת את התוכן השמור שההטמעות שלו הכי קרובות להטמעה של שאלת הלקוח.

זה הבסיס של Retrieval-Augmented Generation (RAG) — הארכיטקטורה הנפוצה ביותר לעיגון תשובות AI בתוכן עובדתי. איכות ההטמעות קובעת ישירות את איכות השליפה, וזו בתורה קובעת את דיוק התשובות של סוכן ה-AI.

למה איכות ההטמעות חשובה

הטמעות חלשות מובילות לשליפה חלשה, ושליפה חלשה מובילה לתשובות חלשות. אם מודל ההטמעה לא מבין ש"לבטל את החשבון שלי" ו"לסגור את המנוי שלי" הם דברים דומים, סוכן ה-AI לא ימצא את מסמך המדיניות הנכון, ואז או ימציא תשובה או יסלים שלא לצורך.

הקשר טכני: מודלי הטמעה מודרניים מפיקים וקטורים עם 768 עד 3,072 ממדים, שלוכדים קשרים סמנטיים מורכבים. הטמעות ייעודיות לתחום שאומנו על נתוני שירות לקוחות יכולות להשיג ביצועים טובים ב-10-25% מהטמעות כלליות במשימות שליפה ייעודיות לתמיכה.

היתרון של Maven: גרף ידע שהולך מעבר להטמעות

בעוד שהטמעות מניעות חיפוש סמנטי בסיסי, Maven AGI הולכת רחוק יותר עם גרף ידע מובנה שלוכד לא רק דמיון סמנטי אלא גם את הקשרים בין מושגים, מדיניות, מוצרים ותהליכי עבודה. כך Maven יכולה להבין ששאלה על "החזרת פריט פגום" קשורה למדיניות ההחזרות, לתנאי האחריות, למדיניות המשלוחים ולהיסטוריית ההזמנות הספציפית של הלקוח — רמת הבנה הקשרית שחיפוש הטמעות שטוח לבדו לא יכול להשיג.

הוכחה מ-Maven: Enumerate השיגה שיעור פתרון של 91% בזכות גרף הידע של Maven, שחיבר רשת מורכבת של נתוני נכסים, רשומות דיירים ותהליכי תחזוקה — קשרים שחיפוש פשוט מבוסס הטמעות היה מפספס.

שאלות נפוצות

מה ההבדל בין הטמעות למילות מפתח?

מילות מפתח מתאימות מחרוזות טקסט מדויקות. הטמעות מתאימות משמעות. חיפוש מילת המפתח "החזר כספי" לא ימצא מסמך על "החזרת הרכישה תמורת זיכוי". חיפוש מבוסס הטמעות כן ימצא, כי לשני המושגים יש משמעות סמנטית דומה במרחב הווקטורי.

האם צריך לעדכן הטמעות כשהתוכן משתנה?

כן. כשתוכן נוסף למאגר הידע, משתנה או נמחק, יש לייצר מחדש את ההטמעות המתאימות כדי לשקף את השינויים. פלטפורמות AI ארגוניות מבצעות את התהליך הזה אוטומטית, כך שעדכוני תוכן משתקפים מיד ביכולות השליפה של הסוכן.

האם הטמעות עובדות בין שפות שונות?

מודלי הטמעה רב-לשוניים מודרניים יכולים לייצג טקסט משפות שונות באותו מרחב וקטורי. כך שאלה של לקוח בספרדית יכולה להתאים לתיעוד שנכתב באנגלית, מה שמאפשר תמיכה רב-לשונית בלי לשכפל תוכן בכל שפה.