Näin tekoälyn vastaukset syntyvät
Vektorihaku
Kutsutaan myös: Vector search, Vektoritietokanta
Vektorihaku löytää tuloksia vertaamalla embeddingejä, joten se palauttaa merkitykseltään samankaltaisia tekstejä eikä vain tekstejä, joissa on samat sanat.
Selkeästi sanottuna
Ensin jokaisesta tekstikohdasta tehdään embedding, joka tallennetaan vektoritietokantaan. Kun kysymys saapuu, siitäkin tehdään embedding.
Tietokanta palauttaa sitten ne tallennetut kohdat, jotka ovat lähimpänä kysymystä.
Esimerkki
Ruokasivusto tallentaa reseptin jokaisen vaiheen omaksi kohdakseen. Joku kysyy: "Miten estän pastaa tarttumasta yhteen?" Vektorihaku voi löytää vaiheen, jossa kehotetaan sekoittamaan ja käyttämään runsaasti vettä, vaikka sanaa "tarttua" ei siinä olisi.
Miksi tällä on väliä tekoälyhaussa
Anthropic kuvaa tämän tavalliseksi RAG-toteutukseksi: dokumentit pilkotaan chunkeiksi, niistä tehdään embeddingit, ne tallennetaan vektoritietokantaan ja niistä haetaan merkityksen perusteella.
Anthropic huomauttaa myös, että embeddingit voivat ohittaa tarkat osumat, kuten virhekoodin. Siksi moni järjestelmä lisää rinnalle avainsanahaun.
Mitä voit tehdä
- Kirjoita kohtia, jotka ovat ymmärrettäviä yksinään, jotta yksittäinenkin haettu pala vastaa kysymykseen.
- Kirjoita tarkat nimet, mallinumerot ja koodit tavallisena tekstinä, koska pelkkä merkitykseen perustuva haku voi ohittaa ne.
- Käytä selkeitä otsikoita, jotta jokaisella kohdalla on selvä aihe.
Sekoitetaan usein näihin
- Semanttinen haku
- Semanttinen haku on tavoite: merkitysten yhdistäminen. Vektorihaku on yleinen tapa päästä siihen.
- Hybridihaku
- Hybridihaku yhdistää vektorihaun ja avainsanahaun.
Lähteet
Faktat ja lähteet tarkistettu viimeksi 19. lokakuuta 2026.
Liittyvät termit
Lue lisää GEO-Scoresta
Miten sivusi pärjää tekoälyhaussa?
GEO-Score tarkistaa sivun 22 signaalin avulla tekoälyrobottien pääsystä rakenteiseen dataan ja näyttää, mitä kannattaa korjata ensin.
Analysoi sivu