개념
임베딩은 단어, 문장, 이미지 같은 데이터를 고정된 차원의 실수 벡터로 바꾼 것이다. 각 차원은 사람이 직접 해석하기 어렵지만, 벡터 전체가 대상의 의미적·구조적 특징을 담는다.
핵심 성질은 "의미의 근접성이 거리로 나타난다"는 점이다. 뜻이 비슷한 두 대상은 벡터 공간에서 서로 가깝고, 관련이 없으면 멀리 떨어진다. 두 벡터의 유사도는 보통 코사인 유사도나 내적으로 측정한다. 이런 벡터는 학습된 모델(예: 신경망 인코더)이 데이터를 처리하는 과정에서 만들어진다.
쓰임새
임베딩은 의미 기반 처리를 벡터 연산으로 환원해 준다. 대표적으로 의미 검색(semantic search)에서 질의와 문서를 같은 공간의 벡터로 만든 뒤, 질의 벡터와 가까운 문서를 찾아 검색한다.
이 방식은 RAG의 문서 검색 단계, 추천, 중복·유사 항목 탐지, 군집화, 분류 등에도 쓰인다. 대량의 임베딩을 빠르게 비교하기 위해 벡터 데이터베이스와 근사 최근접 이웃(ANN) 탐색을 함께 사용하는 경우가 많다.