Um computador não percebe palavras. Percebe números. Durante décadas, a forma mais comum de procurar informação foi comparar palavras exatas: se escrevesse "fatura" mas o documento dizia "recibo", a pesquisa não encontrava nada. Os embeddings vieram mudar isto ao traduzir o significado das palavras, frases e documentos para listas de números — vetores — que a máquina consegue comparar.
Esta ideia está por trás de quase tudo o que hoje chamamos de inteligência artificial aplicada: a pesquisa semântica, os assistentes que respondem com base nos documentos da empresa, os sistemas de recomendação e a deteção de conteúdos semelhantes. E, quando há muitos vetores para comparar, entra em cena uma peça de infraestrutura própria: a base de dados vetorial.
Neste artigo explico, sem jargão a mais, o que é um embedding, como é que o significado se transforma em geometria, o que distingue uma base de dados vetorial de uma base tradicional, e onde isto costuma correr mal na prática.
O que é, afinal, um embedding
Um embedding é a representação de um pedaço de informação — uma palavra, uma frase, um parágrafo, uma imagem — como um vetor de números. Na prática, é uma lista com centenas ou milhares de valores. Um modelo treinado para o efeito lê o texto e devolve, por exemplo, uma lista como [0.021, -0.874, 0.335, ...] com centenas de valores que resumem aquilo que o texto "quer dizer".
O importante não é cada número isolado, mas a posição que o vetor ocupa num espaço com muitas dimensões. Textos com significados próximos ficam perto uns dos outros; textos sobre assuntos diferentes ficam longe. "Fatura", "recibo" e "nota de pagamento" caem na mesma vizinhança, mesmo sem partilharem uma única letra em comum.
Como é que o significado se transforma em geometria
O modelo aprende estas representações a partir de enormes quantidades de texto. Ao ver milhões de exemplos, percebe que certas palavras aparecem em contextos parecidos e ajusta os vetores para refletir essas semelhanças. O resultado é um mapa em que a distância tem significado: quanto mais perto, mais relacionado.
É por isso que se fala em busca semântica — procurar por significado e não por letras. Quando faz uma pergunta, o sistema converte a pergunta num vetor e procura os vetores mais próximos no espaço. Não interessa se usou exatamente as mesmas palavras; interessa se o sentido é próximo.
Busca por palavras-chave vs busca semântica
A pesquisa clássica, por palavras-chave, continua a ser útil e rápida, sobretudo para termos exatos: um código de artigo, um nome próprio, uma referência. Mas falha quando a mesma ideia se pode dizer de muitas maneiras. A busca semântica cobre precisamente esse espaço.
- Palavras-chave: encontra correspondências exatas, é transparente e barata, mas não percebe sinónimos nem reformulações.
- Semântica: percebe o sentido e lida com sinónimos e frases inteiras, mas exige embeddings e mais recursos de cálculo.
- Híbrida: na prática, muitas soluções combinam as duas, usando palavras-chave para precisão e vetores para abrangência.
O que é uma base de dados vetorial
Guardar dez vetores é trivial. Guardar dez milhões e conseguir, em milissegundos, encontrar os mais parecidos com um dado vetor já não é. É esse o trabalho de uma base de dados vetorial: armazenar vetores e responder depressa à pergunta "quais são os k vetores mais próximos deste?".
Fazê-lo de forma exata, comparando com todos, seria demasiado lento à escala. Por isso, estas bases usam índices de vizinhos aproximados (ANN, na sigla inglesa), que trocam um pouco de precisão por muita velocidade. Estruturas como grafos de navegação (HNSW) ou partições por agrupamento (IVF) permitem procurar só numa fração dos dados. Para dizer se dois vetores são "próximos", é preciso uma medida: a mais comum é a similaridade do cosseno, que compara a direção dos vetores e ignora o seu tamanho. Usar a métrica errada, ou misturar vetores de modelos diferentes, produz resultados sem sentido — use sempre o mesmo modelo de embeddings para indexar os documentos e para converter as perguntas.
Bases dedicadas ou vetores na base que já tem
Há duas grandes opções. As bases de dados vetoriais dedicadas foram desenhadas de raiz para este problema e brilham quando o volume é muito grande e a latência é crítica. Em alternativa, muitas bases de dados relacionais e motores de pesquisa já oferecem pesquisa vetorial como funcionalidade, o que evita acrescentar mais um sistema à arquitetura.
A decisão não deve ser pela moda. Se já tem os dados numa base relacional e o volume é moderado, a pesquisa vetorial integrada costuma ser suficiente e mais simples de manter. Introduzir um sistema novo só se justifica quando a escala e o desempenho o exigem.
Onde os embeddings dão jeito
- Pesquisa interna: encontrar documentos, políticas ou tickets por significado, não por palavra exata.
- Assistentes com contexto (RAG): ir buscar os trechos relevantes de uma base de conhecimento para alimentar um modelo de linguagem antes de ele responder.
- Recomendação: sugerir artigos, produtos ou conteúdos parecidos com aquilo que a pessoa já viu.
- Deduplicação e agrupamento: detetar registos quase iguais ou juntar automaticamente temas semelhantes.
- Classificação: encaminhar um pedido para a equipa certa a partir da sua semelhança com casos anteriores.
Erros comuns a evitar
O primeiro erro é dividir mal os documentos. Se guardar textos demasiado longos, o vetor fica "diluído" e perde precisão; se os cortar demasiado, perde contexto. O tamanho dos trechos merece atenção e teste.
Outros tropeções frequentes: misturar embeddings de modelos diferentes no mesmo índice; escolher a métrica de distância errada; esquecer que os vetores envelhecem — se os documentos mudam, é preciso reindexar; e ignorar o custo e a latência de gerar embeddings a cada pesquisa. Por fim, muitos projetos avançam sem qualquer forma de avaliar a qualidade dos resultados, o que torna impossível saber se uma alteração melhorou ou piorou a pesquisa.
Mini-caso: da pesquisa que não encontrava nada
Uma empresa de retalho com um catálogo grande recebia muitas queixas de que o motor de pesquisa do site "não encontrava nada". Ao analisar os registos, a equipa percebeu que cerca de 30% das pesquisas terminavam sem qualquer resultado, apesar de o produto existir — os clientes usavam palavras diferentes das descrições internas.
A solução foi acrescentar busca semântica: cada produto passou a ter um embedding da sua descrição, guardado com pesquisa vetorial na base que já usavam, e as pesquisas passaram a ser convertidas em vetores. Mantiveram as palavras-chave para referências exatas e combinaram as duas abordagens. Ao fim de algumas semanas, as pesquisas sem resultados caíram para menos de 10% e a taxa de conversão a partir da pesquisa subiu de forma percetível. O custo adicional foi modesto porque reutilizaram a infraestrutura existente e só reindexavam quando o catálogo mudava.
Na prática
Os embeddings são a ponte entre a linguagem humana e a forma como as máquinas comparam informação: transformam significado em geometria e permitem procurar por sentido. As bases de dados vetoriais são a infraestrutura que torna essa comparação viável à escala. Não são magia — dependem de boas decisões sobre divisão de texto, escolha de modelo, métrica e avaliação.
Se está a começar, resista à tentação de montar logo um sistema complexo. Comece por um caso concreto com valor claro — uma pesquisa interna, um assistente sobre documentos —, meça os resultados e use a pesquisa vetorial que a sua base de dados já oferece. Só depois, se a escala o justificar, avance para soluções dedicadas.
