ベクトル変換について

ベクトル変化について理解した内容をまとめました。
今後AI活用をしていく上で仕組みの理解は必要だと思いました。
仕組みを理解することでどういう対策をとればよいのかが腹落ちできる気がします。

イメージ図を入れてアップデートしたい。

1. ベクトル変換とはどういうことか テキストをベクトルに変換するとはどういうことか？ どのようにしてテキストの意味を数学的に表現するのか？ 1
2. テキストを数値にする？最初の疑問 テキストは単なる文字列なのに、なぜベクトルにできるのか？ 「犬」と「猫」が似ていると機械はどうやって理解するのか？ 2
3. ベクトルの基本概念 ベクトルは方向と大きさを持つ数値の集合 数値の並び（ベクトル）で単語や文章を表現できる 意味が近いものは近い位置に配置される（埋め込み空間） 3
4. 埋め込みモデル（Embedding Model） とは？ 大量のテキストデータを学習して単語の関係性を学ぶ 「犬」と「猫」は近いベクトルに、「犬」と「車」は遠いベクトル に 機械学習のモデルを使ってこの関係性を数値化 モデルは学習時にベクトルの調整を行い、意味の近さを最適化する 4
5. ベクトル化のプロセス ベクトル化の3つのステップ テキストの前処理（クリーニング） 単語や文章をベクトルに変換 モデルによるベクトルの調整 5
6. テキストの前処理（クリーニング） 例：「私は犬が好きです！」 → 「犬 好き」 不要な記号やストップワード（「私は」「です」など）を削除 単語を解析して意味のある単語を抽出 クリーニングにも様々な手法が存在する 6
7. 単語や文章をベクトルに変換 例：「犬」は [0.12, -0.43, 0.76, ...]、「猫」は [0.11, -0.40, 0.78, ...] 事前学習された埋め込みモデルを利用してベクトルに変換 文章全体をまとめる場合は、単語ベクトルの平均を取る 7
8. モデルによるベクトルの調整 埋め込みモデルは、学習時に単語の意味的な近さを調整する 例えば、「犬」と「猫」は同じ文脈で使われることが多いため、類 似度が高くなるように調整される ベクトルの方向と長さを変えることで、適切な位置に配置 8
9. ベクトル空間の可視化 埋め込み空間のイメージ(2次元) (犬)• (猫)• (車)• 犬と猫は近く、車は遠い位置にプロットされる 高次元ではこれが数百〜数千の軸で表現される 次元圧縮（PCA, t-SNE など）で2D/3Dに変換可能 9
10. ベクトルの次元数の影響 次元が多いと細かいニュアンスを表現可能 次元が少ないと計算が高速で、ストレージの負担が軽い 一般的な埋め込みモデル：1536次元（OpenAI text-embedding-ada-002 ） 10
11. 実際にベクトル化してみる（Python） import openai openai.api_key = "your_api_key" text = "犬はペットとして人気です。" embedding = openai.Embedding.create(input=text, model="text-embedding-ada-002") print(embedding['data'][0]['embedding']) この出力が「犬はペットとして人気です。」のベクトル表現 11
12. ベクトル検索とは？ クエリをベクトル化して類似ベクトルを検索 コサイン類似度を使って近いものを見つける Google検索のように、意味ベースの検索が可能 12
13. RAG（Retrieval-Augmented Generation）の関係 検索部分でベクトル化したドキュメントを活用 ユーザーのクエリをベクトル化し、類似文書を検索 検索結果をLLMに渡して回答を生成 13
14. まとめ ベクトル変換はテキストを数値で表す手法 埋め込みモデルを使って意味の近さを学習し、ベクトルを調整 ベクトル化により、検索やRAGのような技術が可能になる 14