Wat zijn embeddings? Uitleg voor SEO en AI-zoeken

Definitie

Embeddings zijn reeksen getallen die de betekenis van tekst, afbeeldingen of producten vastleggen. Teksten met een vergelijkbare betekenis krijgen vergelijkbare getallen, ook als de woorden verschillen.

Wat zijn embeddings?

Een embedding is een vector: een lijst van honderden of duizenden getallen. Een AI-model zet een stuk tekst om in zo'n vector. Teksten die over hetzelfde gaan, liggen dicht bij elkaar in die ruimte. De Laravel-documentatie geeft een voorbeeld: "best wineries in Napa Valley" vindt een artikel met de titel "Top Vineyards to Visit", hoewel de woorden niet overlappen.

Hoe dichtbij twee vectoren liggen, meet je meestal met cosine similarity. Een score van 1 betekent identieke richting, dus zeer vergelijkbare betekenis.

Embeddings vormen de basis van vector search en RAG. Een AI-zoekmachine zoekt met embeddings de passages die bij een vraag passen en geeft die aan een taalmodel om een antwoord te schrijven.

Embeddings en Google

Google gebruikt het woord embeddings niet in het overzicht van ranking-systemen. Wel beschrijft Google neural matching als een AI-systeem dat representaties van concepten in zoekopdrachten en pagina's begrijpt. Dat is hetzelfde idee: betekenis vastleggen los van exacte woorden. Welke modellen en vectoren Google precies gebruikt, is niet openbaar.

Voor SEO is de les dat exacte zoekwoordmatches minder zwaar wegen dan vroeger. Een pagina die een onderwerp helder behandelt, kan matchen op zoekopdrachten met andere woorden.

Zo werkt het in Magento/Hyvä, Shopify en Laravel

Laravel 13 heeft embeddings ingebouwd via de Laravel AI SDK. Met Str::of($tekst)->toEmbeddings() of de Embeddings-class genereer je vectoren, die je opslaat in een vector-kolom in PostgreSQL met pgvector of MariaDB 11.7+.

Magento heeft geen ingebouwde embeddings; de standaardzoekfunctie draait op OpenSearch met tekstmatching. Semantisch zoeken vraagt een extensie of externe zoekdienst. Shopify kondigde in de Winter '24 Edition semantische zoekfunctionaliteit aan; beschikbaarheid verschilt per abonnement, controleer de actuele Shopify-documentatie.

Veelgemaakte fouten:

- Embeddings genereren van slordige productdata. Een vector van een lege beschrijving zegt niets.

- Het embeddingmodel wisselen zonder alle vectoren opnieuw te berekenen. Vectoren van verschillende modellen zijn niet vergelijkbaar.

- Exacte zoektermen zoals SKU's en EAN's alleen via vectoren zoeken. Daar is klassieke tekstmatching beter.

Embedding genereren in Laravel 13

use Illuminate\Support\Str;

$embedding = Str::of('Waterdichte wandelschoen met Vibram-zool')
    ->toEmbeddings();

Verder lezen

Gerelateerde begrippen

Vector search RAG (retrieval-augmented generation)LLM (large language model)Semantische SEO Grounding Query fan-out Interne zoekfunctie BERT

Veelgestelde vragen

Gebruikt Google embeddings?+

Google beschrijft neural matching als een systeem dat representaties van concepten begrijpt. Dat is het principe van embeddings, maar Google noemt geen modellen of technische details.

Wat heb ik eraan als webshop?+

Vooral in je eigen zoekfunctie. Met embeddings vindt een klant "warme winterjas" ook producten die zo niet letterlijk heten. Dat werkt alleen als je productdata goed is.

Kan ik embeddings in Laravel gebruiken?+

Ja. Laravel 13 biedt via de AI SDK methodes om embeddings te genereren en op te slaan in PostgreSQL met pgvector of in MariaDB 11.7 en hoger.

Embeddings