Pełna definicja
Embeddings (zanurzenia) to wektory liczbowe — zwykle 384 do 3072 liczb — reprezentujące znaczenie słowa, zdania albo całego dokumentu. Dwa teksty o podobnym sensie mają podobne embeddings (matematycznie: mała "odległość" w przestrzeni wielowymiarowej). To kluczowy mechanizm współczesnego AI.
Po co Ci to wiedzieć? Embeddings są podstawą wyszukiwania semantycznego i RAG (retrieval-augmented generation). Konkretnie: zamiast szukać dokumentów po dokładnym słowie ("faktura"), wyszukujesz po znaczeniu ("dokument księgowy o wartości zakupu"). Notion, Slack, Google Drive, Microsoft 365 — wszystkie mają już wyszukiwanie embedding-based.
Praktyczne zastosowanie w polskiej JDG: zbudowanie własnej bazy wiedzy (np. szablony pism do US, instrukcje wewnętrzne, dokumentacja produktu) i wyszukiwanie semantyczne. Wpisujesz "jak odpowiedzieć na wezwanie z US o wyjaśnienie" — system znajduje najbliższe szablony, nawet jeśli nie zawierają tych słów dokładnie. Setup: 2-3h z n8n + OpenAI Embeddings API.
Cena: OpenAI text-embedding-3-small ≈ 0,02 USD za milion tokenów (bardzo tanio). Local alternatywy: Sentence-Transformers (gratis, działa offline). Większość polskich firm zacznie od OpenAI — jakość polskiego embeddings jest już bardzo dobra.