ベクトル化（埋め込み表現 / Embeddings）って何ですか？

コサイン類似度とセットで理解しておくと、AIの仕組みがぐっとイメージしやすくなる「ベクトル化（埋め込み表現 / Embeddings）」について解説します。

1. ベクトル化とは？

一言で言うと、「人間の言葉（日本語や英語）を、AIが計算できる『数字の列』に翻訳すること」です。

コンピュータは計算機なので、「猫」や「楽しい」という文字のままでは意味を理解できません。そこで、言葉の意味を数値に変換する必要があります。

わかりやすいイメージ：「味の数値化」

言葉のベクトル化は、料理の味を数値化するのと似ています。例えば、ある料理の味を分析して、グラフにするとします。

1. カレーライス： [辛さ: 8, 甘さ: 2, 温度: 9]
2. ショートケーキ： [辛さ: 0, 甘さ: 9, 温度: 1]
3. 担々麺： [辛さ: 9, 甘さ: 1, 温度: 9]

こうして数値化（ベクトル化）してしまえば、

「カレーと担々麺は数値が近いから、似ている料理だ（コサイン類似度が高い）」

「カレーとケーキは数値が全然違うから、似ていない（コサイン類似度が低い）」

と、計算で判定できるようになります。

AIはこれを言葉に対して行っています。**「意味の成分」**を数値化しているのです。

2. 言葉の「計算」ができるようになる

ベクトル化の面白いところは、言葉の意味を足したり引いたりできるようになる点です。

有名な例として**「王様 − 男性 ＋ 女性 ＝ ？」**という計算があります。

1. 「王様」というベクトルから
2. 「男性」という成分を引き算して、
3. 「女性」という成分を足し算すると……
4. AIの計算結果は、自然と「女王（Queen）」の近くに着地します。

このように、単なる記号の置き換えではなく、言葉の意味や関係性（ニュアンス）を含んで数値化しているのが、最近のAI（LLMなど）のすごいところです。

3. 実際のデータはどうなっている？

実際には、「辛さ」「甘さ」のように単純な3つ程度の項目ではなく、数百〜数千次元（数千個の数字の列）という膨大な項目で表現されます。

1. 人間が見る言葉： 「今日の空は青い」
2. ベクトル化されたデータ（イメージ）： [0.024, -0.531, 0.982, ...（これが数千個続く）...]

この長い数字の列が、先ほどの話に出てきた**「空間上の矢印」**の正体です。

4. コサイン類似度との関係（まとめ）

ここまでの話を整理すると、AIのシステムは裏側で以下のような手順を踏んでいます。

1. ベクトル化（Embeddings）：
2. 文章をAIに入力し、意味を表す「数字の列（矢印）」に変換する。
3. コサイン類似度（Cosine Similarity）：
4. 変換された「数字の列（矢印）」同士の角度を計算し、似ているかどうかを判定する。

この2つは、「翻訳機（ベクトル化）」と「定規（コサイン類似度）」の関係のようなもので、セットで使われることがほとんどです。

ここまでの内容で、AIが「言葉の意味」をどう扱っているか、なんとなくイメージできましたでしょうか？