Embeddings sind die mathematische Grundlage moderner KI-Anwendungen für semantische Ähnlichkeit. Texte, Bilder oder andere Daten werden in hochdimensionale Vektoren übersetzt – meist 768 bis 4096 Dimensionen. Inhalte mit ähnlicher Bedeutung liegen in diesem Raum nahe beieinander, auch wenn sie unterschiedliche Wörter verwenden.
Im Recruiting-Kontext sind Embeddings die Grundlage für semantische Suche und Job-Matching. Eine Stellenanzeige für „Sozialarbeiter:in" und ein Lebenslauf einer „Sozialpädagog:in" haben ähnliche Embeddings, obwohl die Begriffe sich unterscheiden. So findet ein gut gebautes System auch Stellen, die mit klassischen Keyword-Filtern unentdeckt blieben.
Technisch werden Embeddings entweder mit allgemeinen Modellen (OpenAI, Cohere, Voyage) erzeugt oder mit eigenen, fachspezifischen Modellen feinjustiert. Sie werden in Vektordatenbanken gespeichert, die Ähnlichkeitssuche in Millisekunden ermöglichen.
Lunigi setzt Embeddings ein, um Profile und Stellen kontinuierlich gegen das aktuelle Stellenangebot abzugleichen – die Ergebnisse landen kompakt im täglichen E-Mail-Digest.