Como funciona
Um espaço vetorial é um conjunto de vetores onde duas operações estão definidas: soma de vetores e multiplicação por um escalar (número). Vetores são listas de números, como [0.2, -0.5, 0.8]. O espaço vetorial inclui todas as combinações possíveis dessas operações.
Em IA, textos, imagens e sons são convertidos em vetores numéricos chamados embeddings. Esses vetores vivem em um espaço vetorial de alta dimensão, com centenas ou milhares de eixos. A proximidade entre dois vetores nesse espaço indica similaridade semântica entre os conteúdos originais.
Métricas como distância euclidiana e similaridade de cosseno medem a proximidade entre vetores. A similaridade de cosseno é a mais usada em busca semântica, pois mede o ângulo entre vetores, ignorando magnitude.
Operações como busca por vizinhos mais próximos (nearest neighbors) funcionam medindo distâncias ou ângulos entre vetores nesse espaço.
Exemplo prático
A frase "cachorro late" e "cão faz latido" geram embeddings próximos no espaço vetorial, porque significam a mesma coisa. Já "gato mia" fica mais distante. Um sistema de busca semântica compara o vetor da pergunta com os vetores dos documentos e retorna os mais próximos, sem depender de palavras exatas.
Para que serve
Espaços vetoriais são a base de embeddings, busca semântica, RAG e sistemas de recomendação. Entender o conceito ajuda a escolher modelos de embedding e bancos de dados vetoriais.
No bridgecode, agentes que buscam em bases de conhecimento usam esse princípio para encontrar informações relevantes sem depender de palavras-chave exatas.