임베딩 데모는 종종 텍스트에서 '유사한' 결과 목록으로 건너뜁니다. 작은 매처(matcher)가 누락된 단계를 보이게 합니다: 벡터 정규화, 점수 계산, 후보 순위 지정, 그리고 실패 사례 검토입니다.

이 예제는 고정된 벡터를 사용하므로 API 키 없이 실행됩니다.

import numpy as np

resume = np.array([0.8, 0.6, 0.1, 0.0])
...

예상 첫 번째 결과:

0.990  accessible React dashboard

코사인 유사도(Cosine similarity)는 방향을 측정할 뿐, 진실성, 기술 수준, 관심사, 가용성 또는 공정성을 측정하지 않습니다. 위의 네 좌표는 실제 의미론적 의미가 없으며, 수학 계산을 재현 가능하게 만듭니다. 실제 시스템에서는 하나의 임베딩 모델이 모든 벡터를 생성하며, 사용자는 그 정확한 이름과 버전을 기록해야 합니다.

데모를 실험으로 전환하기

20개의 프로젝트 설명과 5개의 합성 이력서를 만드세요. 검색을 실행하기 전에 어떤 프로젝트가 관련성이 있는지, 그리고 그 이유를 라벨링하세요. 그런 다음 리콜(recall) at 3을 계산해 보세요: 라벨링된 관련 프로젝트 중 처음 세 결과에 몇 개가 나타나나요?

어휘, 언어, 경력 수준, 부정문, 그리고 권위 있는 용어에 대한 과도한 강조 등 누락된 부분을 검토하세요. 인구 통계학적 속성은 사용하지 마세요. 채용의 경우, 임베딩은 고용 결정을 내리기보다는 발견을 지원해야 합니다. 후보자는 의미 있는 검토 및 수정 경로가 필요합니다.

정규화를 제거해 보고 벡터 크기가 순위에 어떻게 변화하는지 관찰해 보세요. 명시적인 실패를 확인하기 위해 영(zero) 벡터를 추가하세요. 더 멋진 데모를 선택하기보다는 동일한 라벨링 세트를 사용하여 두 모델 버전을 비교하세요.

공개된 MonkeyCode 리포지토리는 프로젝트 요구 사항, AI 작업 및 모델 관리를 설명합니다. 임베딩 기반 발견은 리포지토어나 작업 주변에서 관련성이 있을 수 있지만, 이 교육 예제는 MonkeyCode의 기능 주장이나 통합이 아닙니다.

고지: 저는 MonkeyCode 프로젝트에 기여하고 있습니다. 학습 내용과 벡터는 독립적이며; 제품 컨텍스트는 공개 문서를 기반으로 합니다.

최근접 이웃 검색(Nearest-neighbor search)은 실행하기 쉽습니다. 유용한 학습은 '관련성(relevant)'이 무엇을 의미하는지 정의하고 누락된 부분(misses)을 측정할 때 시작됩니다.