Embeddings में meaning को कैसे represent किया जाता है?	Meaning को एक जगह (place) के रूप में represent किया जाता है - text को coordinates में convert करके, जिससे similar concepts एक दूसरे के पास आ जाते हैं।
Traditional string-based search की मुख्य समस्या क्या थी?	String similarity के आधार पर results मिलते थे, meaning के आधार पर नहीं - जैसे "car" search करने पर "automobile" या "vehicle" नहीं मिलता था।
2D space में similarity search कैसे काम करता है?	Question को same axes पर plot करते हैं और nearest k items को retrieve करते हैं, जो सबसे relevant होते हैं।
Real embedding models कितने dimensions use करते हैं?	Real embedding models लगभग 1,000 dimensions (जैसे VoyageAI में 1,024) use करते हैं।
Embedding model का input और output क्या होता है?	Input: कोई भी text string; Output: fixed-length numbers की list (1,024 values), चाहे input कितना भी लंबा हो।
Embedding space में axes का meaning कैसे determine होता है?	Axes का meaning emergent होता है - training data से automatically निकलता है, human द्वारा decide नहीं किया जाता।
Cosine similarity क्या है?	यह दो vectors के बीच similarity measure है जो उनकी direction के आधार पर calculate होता है, न कि distance के।
क्या 4D से ऊपर के dimensions को visualize कर सकते हैं?	4D से ऊपर visualize नहीं कर सकते, लेकिन math काम करती रहती है - हर नया dimension एक नया coordinate add करता है।
Embedding model का output vector क्या represent करता है?	Vector उस text का address represent करता है - यह बताता है कि यह text बाकी सभी texts के relative में space में कहाँ है।
Traditional search में synonyms को कैसे handle किया जाता था?	Synonym dictionaries manually बनाए जाते थे जो "car" को "automobile" से map करते थे।