Embeddings

임베딩은 이산형 변수를 조밀하고 저차원이며 연속적인 벡터로 표현한 것으로, 인간의 데이터와 기계의 논리 사이에서 근본적인 번역기 역할을 합니다. 인공지능 (AI)의 영역에서 컴퓨터는 텍스트, 이미지, 오디오와 같은 복잡하고 비정형 데이터를 직관적으로 이해하지 못합니다. 임베딩은 이러한 입력을 고차원 수학적 공간에 존재하는 벡터라는 실수 목록으로 변환하여 이 문제를 해결합니다. 객체에 단순한 무작위 ID를 부여하는 전통적인 인코딩과 달리, 임베딩은 학습을 통해 생성되므로 "왕"과 "여왕"이라는 단어 또는 서로 다른 두 마리의 고양이 이미지처럼 의미론적으로 유사한 항목들이 벡터 공간에서 서로 가깝게 위치하게 됩니다.

임베딩의 작동 원리#

임베딩의 생성은 원본 데이터를 특징 추출용으로 설계된 신경망에 입력하는 것을 포함합니다. 학습 과정에서 모델은 입력의 핵심 특성을 압축하여 간결한 수치 형태로 만드는 법을 학습합니다. 예를 들어 사진을 분석하는 컴퓨터 비전 (CV) 모델은 단순히 픽셀을 보는 것이 아니라 형태, 질감, 색상을 다차원 그래프의 특정 좌표로 매핑합니다. 유사성을 측정할 때 시스템은 코사인 유사도나 유클리드 거리와 같은 지표를 사용하여 이러한 좌표 간의 거리를 계산합니다. 이 수학적 근접성을 통해 알고리즘은 분류 및 클러스터링과 같은 복잡한 작업을 높은 효율로 수행할 수 있습니다.

실제 애플리케이션 사례#

임베딩은 현대 소프트웨어 제품에 사용되는 다양한 지능형 기능의 엔진 역할을 합니다.

• 시맨틱 검색: 전통적인 검색 엔진은 종종 정확한 키워드 매칭에 의존하므로, 사용자가 "자동차"를 검색했는데 문서에는 "차"가 포함되어 있는 경우 검색에 실패합니다. 임베딩은 단어 이면에 있는 의미를 포착합니다. 검색어와 데이터베이스 문서를 벡터로 표현함으로써, 시스템은 특정 단어가 다르더라도 사용자의 의도와 일치하는 결과를 검색할 수 있습니다.
• 추천 시스템: 스트리밍 서비스와 전자상거래 사이트는 임베딩을 사용하여 사용자 경험을 개인화합니다. 사용자가 공상 과학 영화를 시청하면, 시스템은 해당 영화의 임베딩 벡터를 식별하고 데이터베이스에서 근처에 있는 벡터를 가진 다른 영화를 검색합니다. 이를 통해 단순히 수동 태그나 카테고리가 아닌 콘텐츠 유사성에 기반한 정확한 추천이 가능합니다.
• 제로샷 학습: 고급 모델은 결합된 임베딩을 사용하여 텍스트와 이미지 등 서로 다른 양식을 연결합니다. 이를 통해 시스템은 객체 이름의 텍스트 임베딩과 이미지 임베딩을 연결하여 학습 중에 명시적으로 본 적이 없는 객체도 인식할 수 있습니다.

Python을 사용한 임베딩 생성#

YOLO26과 같은 최첨단 모델을 사용하여 강력한 이미지 임베딩을 효율적으로 생성할 수 있습니다. 다음 예제는 ultralytics Python 패키지를 사용하여 이미지에서 특징 벡터를 추출하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embeddings for an image
# The embed() method returns the feature vector representing the image content
embedding_vector = model.embed("https://ultralytics.com/images/bus.jpg")

# Print the shape of the embedding (e.g., a vector of length 1280)
print(f"Embedding shape: {embedding_vector[0].shape}")

임베딩과 관련 개념 비교#

효과적인 AI 솔루션을 구현하려면 임베딩을 밀접하게 관련된 기술 용어들과 구분하는 것이 중요합니다.

• 임베딩 대 벡터 검색: 임베딩은 데이터 표현 자체(숫자 목록)입니다. 벡터 검색은 해당 임베딩에 가장 가까운 이웃을 찾기 위해 데이터베이스를 쿼리하는 후속 프로세스입니다. 벡터 데이터베이스로 알려진 특수 도구는 이러한 임베딩을 대규모로 저장하고 검색하는 데 자주 사용됩니다.
• 임베딩 대 토큰화: 자연어 처리 (NLP)에서 토큰화는 텍스트를 더 작은 단위(토큰)로 나누는 예비 단계입니다. 이러한 토큰은 임베딩에 매핑됩니다. 따라서 토큰화는 데이터를 준비하고, 임베딩은 데이터의 의미를 표현합니다.
• 임베딩 대 딥러닝: 딥러닝은 신경망을 기반으로 하는 머신러닝의 더 넓은 분야입니다. 임베딩은 딥러닝 아키텍처 내의 특정 출력 또는 레이어이며, 종종 원본 입력과 모델의 의사결정 레이어 사이의 가교 역할을 합니다.

사용자 지정 임베딩 생성을 위한 주석 및 모델 학습을 포함하여 데이터셋의 수명 주기를 관리하고자 하는 개발자는 Ultralytics Platform을 활용할 수 있습니다. 이 종합적인 도구는 데이터 관리부터 배포까지의 워크플로를 단순화하여 애플리케이션을 구동하는 임베딩이 고품질의 잘 선별된 데이터에서 파생되도록 보장합니다. PyTorch나 TensorFlow와 같은 프레임워크를 사용하든, 임베딩을 마스터하는 것은 정교한 패턴 인식 시스템을 구축하는 데 있어 중요한 단계입니다.