前回とのつながりと、この講義の役割
前回のT-05では、モデルが使う関数を選び、実行はアプリ側が担うという責任の分け方を学びました。ここまでのT章は、一度の呼び出しでAIとやり取りする話が中心でした。この講義からは、アプリが持つ大量の資料の中から、必要な部分だけをAIに渡す仕組みへ進みます。その最初の部品が、意味の近さを数値で扱う埋め込みベクトルです。今回はまず、この変換の考え方だけを正確につかみます。
このスライドのポイント
- 前回T-05: モデルは関数と引数を「選ぶ」だけ、実行はアプリ側という責任の分界
- ここまでのT章: 一度の呼び出しでAIとやり取りする話が中心
- この講義から: アプリが持つ大量の資料から、必要な部分だけをAIに渡す仕組みへ
- その最初の部品が「埋め込みベクトル」
定義：意味を数値の並びに変える
埋め込みベクトルとは、文章や画像を、意味を反映した数値の並びへ変換したものです。この変換は、T-01で見たモデルの一種である、専用のモデルが行います。大切な性質は、意味が近い文章どうしは、変換後の数値も近い値になる、という点です。たとえば「タクシー代」と「交通費」は、使われている文字は違っても、意味が近いため数値としても近くに来ます。人間が数値の中身を読む必要はなく、近さを機械が測れることだけが重要です。
このスライドのポイント
- 埋め込みベクトル＝文章（や画像）を、意味を反映した数値の並び（ベクトル）へ変換したもの
- 変換するのは、T-01で見た「モデル」の一種である専用のモデル
- 核心の性質: 意味が近い文章どうしは、変換後の数値も近い値になる
- 例:「タクシー代」と「交通費」は、文字は違っても意味が近く、数値も近くなる
なぜ必要か：この土台がないと次が魔法になる
この考え方を知らないと、次回学ぶ、AIに知識を渡して答えさせる仕組みが、理由の分からない魔法に見えてしまいます。また、L-06で学んだ、文字が一致しないと見つからない検索の限界と、意味で見つかる検索との違いも説明できません。「タクシー」で検索して「ハイヤー代」が出てこないのは、文字の一致だけを見ているからです。埋め込みは、この壁を越える手段になります。土台を先につかむことで、後の仕組みが積み上がります。
このスライドのポイント
- 知らないと: 次回学ぶ「AIに知識を渡して答えさせる仕組み」が、理由の分からない魔法に見える
- 知らないと: L-06で学んだ「文字が一致しないと見つからない検索」の限界と、意味検索の違いを説明できない
- 「タクシー」で「ハイヤー代」が出ないのは、文字の一致だけを見ているから
- 埋め込みは、この壁を越える手段になる
構造：変換して「意味の空間」に置く
埋め込みの流れは、大きく二段階です。まず、文章を専用のモデルに通し、数値の並びへ変換します。次に、その数値を意味の空間に置くと考えます。意味の近い文章どうしは、この空間の中で近い場所に集まります。図では二次元の平面に点として並べていますが、実際はもっと多くの次元の数値です。イメージとしては、意味が似ているほど点が寄り、離れているほど点も離れる、という配置になります。
このスライドのポイント
- 二段階の流れ: ①文章を専用のモデルに通し、数値の並びへ変換 ②その数値を「意味の空間」に置く
- 意味の近い文章どうしは、その空間の中で近い場所に集まる
- 図は二次元の平面だが、実際はもっと多くの次元の数値
- イメージ: 意味が似ているほど点が寄り、離れているほど点も離れる
処理の流れ：経費の但し書き検索での具体例
経費アプリで、過去の申請の但し書きを検索する場面を考えます。キーワード検索では、「タクシー」という語で探しても、「ハイヤー代」と書かれた申請は文字が違うため見つかりません。埋め込みを使えば、両者は意味が近いため、近い数値として扱われ、探し出せます。これは、過去の似た申請を見つける機能の土台になります。表記のゆれや言い換えに強い、という性質が、業務の現場でそのまま役に立ちます。
このスライドのポイント
- 場面: 経費アプリで、過去の申請の但し書きを検索する
- キーワード検索:「タクシー」で探しても「ハイヤー代」は文字が違い見つからない
- 埋め込み: 両者は意味が近く、近い数値として扱われ、探し出せる
- 効果: 過去の似た申請を見つける機能の土台になる（表記ゆれ・言い換えに強い）
技術サンプルカード：意味空間の概念図
スライドのサンプルは、意味空間の概念図です。「タクシー代」「ハイヤー代」「電車賃」は、移動にかかる費用という点で意味が近いため、図の中で近くに集まります。一方、「会議弁当」は意味が違うので、離れた場所に置かれます。読み方の要点は二つです。数値の並びそのものを人が読む必要はないこと、そして、近さを測れることだけが役に立つ、という点です。この近さこそが、次回の検索の土台になります。
混同しやすい概念：キーワード検索と意味検索
混同しやすいのは、キーワード検索と意味検索です。キーワード検索は、L-06で学んだとおり、指定した文字が含まれるかどうかで探します。速く確実で完全一致に強い一方、言い換えや表記ゆれには弱いのが特徴です。意味検索は、埋め込みの近さで探すため言い換えに強い一方、意図と少しずれた資料も拾うことがあります。どちらが優れているという話ではなく、得意分野が違います。実務では、両方を組み合わせるのが定石です。
バイブコーディングでの確認点
現場で「社内の文書をAIに答えさせたい」という要望が出たら、この埋め込みと、次回学ぶ仕組みが土台になります。その際にまず決めるべきは、どの文書を対象にするか、そしてそれをどう更新し続けるか、です。これはA-08で学んだ、保存するデータを先に決める、という議論の再来です。AIへの質問例としては、「この検索はキーワード一致と意味検索のどちらですか。タクシーとハイヤーのような表記ゆれはどう扱われますか」と聞くとよいです。
このスライドのポイント
- 「社内の文書をAIに答えさせたい」の要望 → この埋め込み（＋次回のRAG）が土台になる
- 先に決めること: どの文書を対象にするか／それをどう更新し続けるか
- これはA-08「保存するデータを先に決める」の議論の再来
- AIへの質問例:「この検索はキーワード一致と意味検索のどちらですか。タクシーとハイヤーのような表記ゆれはどう扱われますか」
一問一答・まとめ・次回へ
一問一答です。問い。意味の近さを、数値の近さとして扱えるようにする変換を何と呼ぶでしょうか。（間）答えは、埋め込みベクトルです。30秒まとめです。埋め込みは、文章や画像を、意味を反映した数値の並びに変え、意味が近いものを近い数値として測れるようにする仕組みでした。キーワード検索が文字の一致で探すのに対し、意味の近さで探せる点が違いです。次回T-07では、この埋め込みを使って必要な知識を検索し、AIに渡して答えさせる仕組みへ進みます。関連資料は「RAG入門ガイド」「RAG構築ツール比較」です。
このスライドのポイント
- 一問一答:「意味の近さを、数値の近さとして扱えるようにする変換は？」→ 埋め込みベクトル
- 30秒まとめ: 文章や画像を意味を反映した数値の並びに変え、近い意味を近い数値として測れる仕組み
- キーワード検索が文字の一致で探すのに対し、意味の近さで探せる点が違い
- 次回T-07: 埋め込みを使って必要な知識を検索し、AIに渡して答えさせる仕組みへ
- 関連資料:「RAG入門ガイド」「RAG構築ツール比較」
