[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-embedding-drift::ru":3,"gloss-cluster-embedding-drift::ru":26,"gloss-next-embedding-drift::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"embedding-drift","core-ai","Дрейф эмбеддингов (Embedding Drift)","Дрейф эмбеддингов — это когда смысл или распределение ваших векторных представлений со временем смещается, ухудшая систему retrieval или семантического поиска. Он бывает двух видов. Дрейф модели: вы обновляете или меняете модель эмбеддингов, и новые векторы живут в другом пространстве — несовместимом со всем уже проиндексированным, так что приходится переэмбеддить весь корпус. Дрейф данных: контент или запросы пользователей постепенно меняются (новые продукты, новый жаргон, новые темы), и индекс, построенный год назад, сегодня выдаёт плохую релевантность. Для SaaS-разработчиков, использующих RAG или семантический поиск, дрейф — тихий убийца качества: релевантность медленно гниёт, но ничего при этом не падает с ошибкой. Средства защиты: никогда не смешивайте в одном индексе эмбеддинги от разных моделей, версионируйте модель эмбеддингов вместе с данными, переэмбеддивайте при обновлении и следите за качеством retrieval с помощью фиксированного набора оценок, чтобы вовремя заметить деградацию. Закладывайте бюджет на периодическую переиндексацию — эмбеддинги это постоянная статья расходов, а не разовая сборка.","Дрейф эмбеддингов — падение качества retrieval по мере устаревания векторов: смена модели эмбеддингов или сдвиг контента рассинхронизируют индекс.",null,[11,14,17,20,23],{"slug":12,"name":13},"embedding","Эмбеддинг (векторное представление)",{"slug":15,"name":16},"reranking","Реранкинг (Reranking)",{"slug":18,"name":19},"retrieval-augmented-generation","Генерация с дополненным поиском (RAG)",{"slug":21,"name":22},"semantic-search","Семантический поиск (Semantic Search)",{"slug":24,"name":25},"vector-database","Векторная база данных",[27,31,35,39,42,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":36,"category":5,"name":37,"updated_at":38},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":40,"category":5,"name":41,"updated_at":30},"attention","Внимание (Attention)",{"slug":43,"category":5,"name":44,"updated_at":38},"beam-search","Лучевой поиск",{"slug":46,"category":5,"name":47,"updated_at":34},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":49,"category":5,"name":50,"updated_at":34},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":52,"category":5,"name":53,"updated_at":38},"computer-vision","Компьютерное зрение",{"slug":55,"category":5,"name":56,"updated_at":34},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":58,"category":5,"name":59,"updated_at":30},"context-window","Контекстное окно",{"slug":61,"category":5,"name":62,"updated_at":38},"deep-learning","Глубокое обучение",{"slug":64,"category":5,"name":65,"updated_at":30},"diffusion-model","Диффузионная модель (Diffusion Model)"]