Embedding em IA

O que é um embedding em IA?

Em uma frase (🌱): um embedding transforma um texto em uma lista de números, chamada vetor. Textos com significado parecido recebem vetores parecidos.

Isso permite encontrar coisas pelo sentido, não só pela palavra exata. O guia do Cloud.gov, do governo dos Estados Unidos, dá um exemplo: uma busca por "aplicações de IA" pode encontrar um documento que fala de "sistemas de aprendizado de máquina", mesmo sem nenhuma palavra em comum.

Para quem quer mais (🔎): o embedding não vale só para texto. Um material didático em português (preprint) explica que modelos multimodais mapeiam texto, imagem e áudio em um espaço compartilhado. Nesse espaço, a palavra "cachorro", a foto de um cachorro e o som de um latido ficam em regiões vizinhas.

Detalhe técnico (🚀): para medir se dois vetores estão perto, um método tradicional é a similaridade de cosseno. Um projeto brasileiro com o catálogo do Arquivo Histórico Ultramarino (preprint no SciELO) usa esse cálculo para buscar documentos históricos pelo sentido.

Como se usa embedding na busca semântica e no RAG?

O uso mais comum hoje é o RAG (sigla em inglês para geração aumentada por recuperação): o modelo responde com base em trechos de documentos, e não só no que aprendeu no treino. O fluxo típico, descrito pelo Cloud.gov e pela Oracle, é:

1. dividir os documentos em trechos; 2. converter cada trecho em embedding; 3. guardar os vetores em um índice; 4. converter a pergunta do usuário em vetor; 5. recuperar os trechos mais próximos; 6. um modelo de linguagem gera a resposta usando esses trechos.

Modelos de embedding atuais (verificado em nov/2026):

• Perplexity: a página de preços lista quatro modelos. Os padrão custam US$ 0,004 e US$ 0,03 por milhão de tokens; os contextualizados, US$ 0,008 e US$ 0,05. A documentação (atualizada em 16 de setembro de 2026) informa vetores de 1.024 ou 2.560 dimensões e contexto de 32K tokens. Os contextualizados servem para trechos que dependem do resto do documento.
• Google: o Gemini Embedding 2 é o primeiro embedding multimodal do Gemini. Ele reúne texto, imagens, vídeo, áudio e PDFs no mesmo espaço, com dimensões de 128 a 3.072. O preço não aparecia na fonte consultada.

O que muda entre eles: o Gemini Embedding 2 atende documentos com imagens, áudio ou PDF. Os modelos da Perplexity têm preço publicado e uma versão para trechos que compartilham contexto. Nenhum dos dois é a resposta para todo caso. Teste no seu próprio material.

Onde os vetores ficam guardados: bancos de dados estão incorporando isso. A Oracle oferece busca vetorial no Autonomous AI Database 26ai. A Microsoft anunciou em outubro de 2026 prévias de Integrated Embeddings e Semantic Reranker no Azure Cosmos DB. O CoreWeave Database, anunciado em 11 de novembro de 2026, suporta a extensão pgvector, que guarda os vetores no mesmo banco da aplicação. No Brasil, um estudo técnico do Senado Federal pede banco de dados vetorial com busca por similaridade.

Privacidade: ao usar um serviço externo, você envia seus textos para ele. O guia de IA do governo federal orienta filtrar conteúdo restrito antes do envio, nunca depois.

Quais são as confusões comuns sobre embedding?

"Embedding é a IA que escreve a resposta." Não. O modelo de embedding opera como um extrator de significados, e não como uma IA generativa, como descreve o projeto do Arquivo Histórico Ultramarino. No RAG, ele encontra os trechos. Outro modelo gera o texto.

"Busca por significado substitui busca por palavra." Nem sempre. Códigos, nomes próprios e números de processo costumam ser achados melhor pela busca lexical, como o BM25 (um método clássico que pontua palavras-chave). O guia do governo federal recomenda a recuperação híbrida para RAG: BM25 com busca vetorial e reranking, que é reordenar os resultados por relevância. O mesmo guia lembra que a busca vetorial tem custo computacional maior e é menos explicável. Em um benchmark público de RAG, a busca híbrida seguida de um reordenador local ficou no grupo de melhor desempenho, a cerca de US$ 1,26 por mil perguntas. Esse número vale para aquele teste, com aquela configuração.

"Mais dimensões é sempre melhor." Vetores maiores custam mais para guardar e processar. A qualidade depende do seu material, da língua, do tamanho dos trechos e de como você avalia. As fontes consultadas não apontam um vencedor universal.