Embedding modely
Aktualizováno 22. 9. 2026
Embedding model převádí text (případně obrázek) na vektor čísel, který zachycuje význam. Díky tomu umí e-shop hledat podle smyslu dotazu, ne jen podle shody slov.
Rychlá fakta
- Typ
- AI model pro převod textu a obrázků na vektory (pojem, ne konkrétní produkt)
- Cena
- API řádově centy až desítky centů USD za milion tokenů, např. OpenAI text-embedding-3-small 0,02 USD, Gemini Embedding 2 od 0,20 USD (k 9/2026, aktuální ceník ověřte u poskytovatele); open-source modely bez licenčního poplatku
- Časová náročnost zavedení
- řádově dny (prototyp nad katalogem) až týdny (produkční vyhledávání s průběžnou aktualizací)
- Náročnost integrace
- střední — samotné volání API je jednoduché, práci dá příprava dat, vektorové úložiště a ladění kvality
- Vhodné pro
- sémantické vyhledávání, RAG chatboty, doporučování podobných produktů, párování a kategorizaci
Co to je
Embedding model vezme kus textu — název produktu, popis, dotaz zákazníka, článek z nápovědy — a vrátí vektor: seznam stovek až tisíců čísel. Texty s podobným významem mají podobné vektory. „Boty na běhání v terénu" a „trailová obuv" tak leží blízko sebe, i když nesdílí jediné slovo.
To je celý trik. Klasické fulltextové vyhledávání hledá shodu slov. Vyhledávání nad embeddingy hledá shodu významu. Pro češtinu se sedmi pády, překlepy a synonymy je to velký rozdíl.
Embeddingy jsou základ pro RAG architekturu, sémantické vyhledávání, doporučování „podobných produktů" i automatické párování položek od dodavatele s vaším katalogem.
Jak to funguje
- Indexace. Texty (produkty, kategorie, FAQ, obchodní podmínky) pošlete modelu a vrácené vektory uložíte do vektorového úložiště. To může být samostatná vektorová databáze, nebo rozšíření běžné databáze, typicky pgvector pro PostgreSQL.
- Dotaz. Dotaz zákazníka projde stejným modelem. Vznikne vektor.
- Hledání podobnosti. Úložiště najde vektory, které jsou dotazu nejblíž (obvykle kosinová podobnost), a vrátí odpovídající produkty nebo dokumenty.
Důležité pravidlo: dotazy i dokumenty musí projít stejným modelem. Když model vyměníte, musíte přepočítat celý index.
Přehled modelů (k 9/2026)
| Model | Typ | Poznámka |
|---|---|---|
| OpenAI text-embedding-3-small / -large | API | small za 0,02 USD / 1M tokenů, large za 0,13 USD; vstup do 8 191 tokenů |
| Google Gemini Embedding 2 | API | multimodální (text, obrázky, video, audio, PDF), od 0,20 USD / 1M tokenů, dimenze 128–3 072 |
| Google gemini-embedding-001 | API | textový, 100+ jazyků, do 3 072 dimenzí |
| Cohere Embed v4 | API | multimodální, 100+ jazyků, dlouhý kontext |
| Qwen3-Embedding | open-source (Apache 2.0) | 100+ jazyků, velikosti 0,6B až 8B, lze provozovat na vlastním serveru |
| BGE-M3 | open-source | 100+ jazyků, kombinuje hustý, řídký i multivektorový způsob vyhledávání |
Ceny jsou orientační, ceník k září 2026. Batch zpracování bývá o polovinu levnější. Aktuální ceník ověřte u poskytovatele.
Pro představu: katalog 20 000 produktů po zhruba 200 tokenech je 4 miliony tokenů. U API modelů jde o centy až desítky centů USD za kompletní indexaci. Cena embeddingů tedy skoro nikdy není problém. Problém je kvalita dat a výběr modelu.
Výhody a limity
Výhody
- Vyhledávání rozumí synonymům, skloňování a popisu potřeby („něco na spaní pod širákem" najde spacáky).
- Jeden index využijete pro víc věcí: vyhledávání, podobné produkty, chatbot, deduplikaci katalogu.
- Multimodální modely umí hledat produkt podle fotky.
Limity
- Embeddingy jsou slabé na přesné shody. Kód produktu, EAN nebo rozměr „42" najde spolehlivěji klasický fulltext. V praxi proto kombinujeme obojí (hybridní vyhledávání).
- Kvalita na češtině se mezi modely liší a obecné žebříčky (MTEB) ji přesně neukazují. Model vybíráme testem na vašich reálných dotazech.
- Posíláte data do API třetí strany. U produktového katalogu to obvykle nevadí, u zákaznických dat řešte GDPR a smlouvu o zpracování. Alternativou je open-source model na vlastním serveru.
- Výměna modelu znamená přepočet celého indexu.
Jak to řešíme v Převeďshopu
Embeddingy nasazujeme tam, kde přinesou měřitelný rozdíl — nejčastěji ve vyhledávání a v práci s katalogem.
- Sémantické vyhledávání na e-shopu — hybridní kombinace fulltextu a vektorů, napojená na váš katalog a průběžně aktualizovaná. Detail na stránce AI vyhledávání.
- Párování produktů od dodavatelů — embeddingy najdou kandidáty na shodu, pravidla a kontrola doladí zbytek. Viz párování produktů.
- Znalostní báze a chatboty nad vaší dokumentací přes RAG.
- Výběr modelu testem. Připravíme sadu reálných dotazů vašich zákazníků a porovnáme 2–3 modely. Rozhodují výsledky, ne marketing poskytovatele.
Jednodušší AI řešení nasazujeme obvykle za dny až 2 týdny, komplexní integrace za 4–8 týdnů. Nevíte, kde začít? Projděte si AI pro e-shopy nebo začněte AI auditem, který zvládneme do týdne.