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

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

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

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

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

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

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

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

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

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

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

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

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

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