En embedding är en representation av text (eller bild och ljud) som en lista med tal, en vektor, där semantiskt närliggande innehåll hamnar nära varandra i ett högdimensionellt rum. Det gör det möjligt att mäta likhet mellan texter matematiskt i stället för att jämföra exakta ord. En vektordatabas lagrar sådana embeddings och kan snabbt hitta de mest lika posterna till en fråga.

Detta är grunden för semantisk sökning och för RAG (retrieval augmented generation), där relevant material hämtas och matas in i modellens kontext innan den svarar. Kvaliteten på embeddings och på sökningen avgör ofta hur bra ett AI-system svarar på frågor om egen data. För svenska verksamheter är embeddings centrala när interna dokument ska göras sökbara för en AI utan att modellen behöver tränas om.