다섯 살도 알 수 있게 · AI
임베딩이 뭐예요?
임베딩을 낱말과 문장마다 뜻의 위치를 적어 붙인 좌표 딱지 이야기로 풀어봤어요.
사서가 '고양이' 책을 찾는데, '냥이'라 적힌 책은 못 찾아요.글자가 다르니까요. 뜻은 똑같은데도요.
글자로 찾으면 뜻이 같아도 놓치고, 글자만 같아도 걸려요.뜻이 같은 낱말은 생김새가 다르고, 생김새가 같은 낱말도 뜻이 다를 수 있어요. 사서는 글자밖에 볼 줄 몰라요.
임베딩은 낱말·문장마다 뜻의 위치를 적은 좌표 딱지예요.앵무새가 낱말마다 딱지를 적어요. 고양이·냥이·야옹이는 한 무리, 자동차는 멀리. 뜻이 가까우면 숫자도 가까워요. 이 딱지를 꽂아 두는 서가는 벡터 DB 이야기에서.
뜻이 가까우면 좌표도 가까워요고양이 옆에 냥이
문장 하나도 딱지 하나긴 글도 위치 하나로
같은 앵무새 딱지끼리만지도가 다르면 못 재요
딱지는 숫자 수백 개그림은 2개, 진짜는 더 많아요
딱지 사이 거리를 자로 재듯 재요. 짧으면 비슷한 뜻이에요.문장 하나도 딱지 하나가 돼요. 단, 다른 앵무새가 적은 딱지는 지도가 달라서 같이 잴 수 없어요.
뜻으로 찾게 됐어요. 그런데 딱지는 뜻의 '대략 위치'일 뿐이에요.뜨겁다와 차갑다는 둘 다 온도 얘기라 딱지가 가까울 수 있어요. 그래서 딱지로 찾은 다음, 답은 앵무새가 읽고 해요 — 사서가 찾아온 페이지 이야기에서.
한 줄로
임베딩 = 낱말·문장마다 뜻의 위치를 적은 좌표 딱지. 뜻이 가까우면 딱지도 가까워서, 글자가 달라도 뜻으로 찾을 수 있어요. 단, 대략 위치라 반대말이 가까울 수도 있어요.
Embedding. 텍스트(또는 이미지)를 수백~수천 차원의 숫자 벡터로 바꾼 것으로, 의미가 비슷하면 벡터도 가깝게 나오도록 임베딩 모델이 학습돼요. 가까움은 보통 코사인 유사도로 재고, 같은 모델의 벡터끼리만 비교할 수 있어요. 의미 검색·벡터 DB·RAG 의 기초예요.
어른들은 이렇게 불러요
- 임베딩
Embedding - 좌표 딱지. 낱말·문장의 뜻을 숫자 위치로 적은 것.
- 벡터
Vector - 딱지에 적힌 숫자 줄. (3, 8) 처럼 숫자 여러 개가 한 줄로 — 진짜는 수백 개.
- 차원
Dimension - 딱지의 숫자 개수. 그림은 2차원, 진짜 딱지는 384·768·1536 차원 같은 수예요.
- 코사인 유사도
Cosine similarity - 딱지 사이 가까움 점수. 1 에 가까울수록 같은 뜻, 0 이면 상관없음.
- 임베딩 모델
Embedding model - 딱지 적는 앵무새. 딱지를 만드는 전용 모델. 앵무새를 바꾸면 딱지를 다시 적어야 해요.
- 의미 검색
Semantic search - 뜻으로 찾기. 글자가 아니라 딱지 거리로 찾아요. 냥이로 고양이를 찾아요.
- 벡터 DB
Vector DB - 딱지로 정리한 서가. 딱지를 빨리 찾게 꽂아 둔 곳. → 딱지로 정리한 서가
- RAG
RAG - 사서가 찾아온 페이지. 딱지로 찾은 페이지를 앵무새에게 줘요. → 사서가 찾아온 페이지
다음 이야기
딱지로 정리한 서가 →