Amazon Titan Multimodal Embeddings G1 je embeddingový model Amazon se společným prostorem reprezentací textu a obrázků. V Ailoot tato karta poskytuje textový scénář: předáte krátký popis nebo vyhledávací frázi a získáte číselný vektor. Ten vyjadřuje obsah textu v podobě, kterou aplikace může porovnávat s jinými kompatibilními vektory.
Model lze využít jako součást vyhledávání v katalogu, doporučování a personalizace. Například popis „červená cestovní taška“ se změní ve vyhledávací vektor, podle kterého aplikace hledá podobné záznamy v připraveném indexu. Výsledek závisí na obsahu katalogu i způsobu jeho indexování: embedding představuje dotaz, zatímco hotový výběr sestavuje vyhledávací systém.
Zvláštností této verze Titan je zaměření na společný prostor textových a vizuálních dat. Textový vektor může být užitečný v systému, kde jsou již připraveny kompatibilní reprezentace objektů. Při běžném vyhledávání v textových dokumentech záleží také na délce úryvku a vhodnosti jazyka pro daný úkol: výrobce popisuje G1 jako anglickojazyčný model s krátkým textovým vstupem.
Index a dotaz musí používat kompatibilní reprezentaci dat. Před naplněním velkého katalogu je vhodné ověřit skutečné vyhledávací fráze: shodu významu, vzácné vlastnosti a situace, kdy podobná slova popisují různé objekty.
Zde dostupná metoda přijímá text a vrací embedding; limit vstupu v této kartě je 128 tokenů. Pro tuto operaci jsou potřeba krátké popisy, dlouhý dokument je proto lepší předem rozdělit na samostatné významové úseky. Nahrávání obrázků, tvorba obrázků ani práce s videem do této metody nepatří. Název Multimodal popisuje původní model, dostupným scénářem této karty je však vytvoření vektoru z textu.
", "aboutText": "### Textový vstup do multimodálního prostoru\n\nAmazon Titan Multimodal Embeddings G1 je embeddingový model Amazon se společným prostorem reprezentací textu a obrázků. V Ailoot tato karta poskytuje textový scénář: předáte krátký popis nebo vyhledávací frázi a získáte číselný vektor. Ten vyjadřuje obsah textu v podobě, kterou aplikace může porovnávat s jinými kompatibilními vektory.\n\n### Pro jaké úlohy se hodí\n\nModel lze využít jako součást vyhledávání v katalogu, doporučování a personalizace. Například popis „červená cestovní taška“ se změní ve vyhledávací vektor, podle kterého aplikace hledá podobné záznamy v připraveném indexu. Výsledek závisí na obsahu katalogu i způsobu jeho indexování: embedding představuje dotaz, zatímco hotový výběr sestavuje vyhledávací systém.\n\nZvláštností této verze Titan je zaměření na společný prostor textových a vizuálních dat. Textový vektor může být užitečný v systému, kde jsou již připraveny kompatibilní reprezentace objektů. Při běžném vyhledávání v textových dokumentech záleží také na délce úryvku a vhodnosti jazyka pro daný úkol: výrobce popisuje G1 jako anglickojazyčný model s krátkým textovým vstupem.\n\n### Jak si práci uspořádat\n\n1. Vyjádřete jeden předmět, vlastnost nebo záměr hledání krátkou frází.\n2. Získejte embedding této fráze.\n3. Porovnejte jej s vektory svého indexu a vyberte vhodné záznamy.\n4. Předejte nalezené materiály dál, například do rozhraní katalogu nebo samostatnému modelu, který sestaví odpověď.\n\nIndex a dotaz musí používat kompatibilní reprezentaci dat. Před naplněním velkého katalogu je vhodné ověřit skutečné vyhledávací fráze: shodu významu, vzácné vlastnosti a situace, kdy podobná slova popisují různé objekty.\n\n### Vstup a výsledek v Ailoot\n\nZde dostupná metoda přijímá **text** a vrací **embedding**; limit vstupu v této kartě je **128 tokenů**. Pro tuto operaci jsou potřeba krátké popisy, dlouhý dokument je proto lepší předem rozdělit na samostatné významové úseky. Nahrávání obrázků, tvorba obrázků ani práce s videem do této metody nepatří. Název Multimodal popisuje původní model, dostupným scénářem této karty je však vytvoření vektoru z textu.", "locale": "cs", "methods": [ { "html": "POST /v1/embeddingstextembedding