Amazon Titan Multimodal Embeddings G1 er Amazons embeddingmodel med et fælles repræsentationsrum for tekst og billeder. I Ailoot API giver dette modelkort adgang til et tekstbaseret forløb: Du sender en kort beskrivelse eller søgefrase og får en numerisk vektor. Den repræsenterer tekstens indhold i en form, som applikationen kan sammenligne med andre kompatible vektorer.
Modellen kan indgå i katalogsøgning, anbefalinger og personalisering. Eksempelvis bliver beskrivelsen ”rød rejsetaske” til en søgevektor, som din applikation bruger til at finde nærliggende poster i et forberedt indeks. Resultatet afhænger både af katalogets indhold og af måden, det er indekseret på: En embedding repræsenterer forespørgslen, mens søgesystemet sammensætter det færdige udvalg.
Denne Titan-version er rettet mod et fælles rum for tekstlige og visuelle data. En tekstvektor kan være nyttig i et system, hvor kompatible repræsentationer af objekter allerede er forberedt. Ved almindelig søgning i tekstdokumenter er afsnittets længde og sprogets egnethed til opgaven også vigtige: Producenten beskriver G1 som en engelsksproget model med kort tekstinput.
Indeks og forespørgsel skal bruge kompatible datarepræsentationer. Før et stort katalog fyldes, er det nyttigt at afprøve faktiske søgefraser: betydningsmæssige match, sjældne egenskaber og situationer, hvor lignende ord beskriver forskellige genstande.
Den tilgængelige metode modtager tekst og returnerer en embedding; inputgrænsen for dette modelkort er 128 tokens. Handlingen kræver korte beskrivelser, så et langt dokument bør først opdeles i selvstændige betydningsenheder. Upload af billeder, billedgenerering og arbejde med video indgår ikke i denne metode. Navnet Multimodal beskriver den oprindelige model, mens dette modelkorts tilgængelige forløb danner en vektor ud fra tekst.
", "aboutText": "### Tekst som input til et multimodalt repræsentationsrum\n\nAmazon Titan Multimodal Embeddings G1 er Amazons embeddingmodel med et fælles repræsentationsrum for tekst og billeder. I Ailoot API giver dette modelkort adgang til et tekstbaseret forløb: Du sender en kort beskrivelse eller søgefrase og får en numerisk vektor. Den repræsenterer tekstens indhold i en form, som applikationen kan sammenligne med andre kompatible vektorer.\n\n### Hvilke opgaver den egner sig til\n\nModellen kan indgå i katalogsøgning, anbefalinger og personalisering. Eksempelvis bliver beskrivelsen ”rød rejsetaske” til en søgevektor, som din applikation bruger til at finde nærliggende poster i et forberedt indeks. Resultatet afhænger både af katalogets indhold og af måden, det er indekseret på: En embedding repræsenterer forespørgslen, mens søgesystemet sammensætter det færdige udvalg.\n\nDenne Titan-version er rettet mod et fælles rum for tekstlige og visuelle data. En tekstvektor kan være nyttig i et system, hvor kompatible repræsentationer af objekter allerede er forberedt. Ved almindelig søgning i tekstdokumenter er afsnittets længde og sprogets egnethed til opgaven også vigtige: Producenten beskriver G1 som en engelsksproget model med kort tekstinput.\n\n### Sådan tilrettelægges arbejdet\n\n1. Beskriv én genstand, egenskab eller søgehensigt i en kort frase.\n2. Dan en embedding af frasen.\n3. Sammenlign den med vektorerne i dit indeks, og vælg relevante poster.\n4. Send det fundne materiale videre, eksempelvis til katalogets brugerflade eller en særskilt model, der formulerer et svar.\n\nIndeks og forespørgsel skal bruge kompatible datarepræsentationer. Før et stort katalog fyldes, er det nyttigt at afprøve faktiske søgefraser: betydningsmæssige match, sjældne egenskaber og situationer, hvor lignende ord beskriver forskellige genstande.\n\n### Input og resultat i Ailoot API\n\nDen tilgængelige metode modtager **tekst** og returnerer en **embedding**; inputgrænsen for dette modelkort er **128 tokens**. Handlingen kræver korte beskrivelser, så et langt dokument bør først opdeles i selvstændige betydningsenheder. Upload af billeder, billedgenerering og arbejde med video indgår ikke i denne metode. Navnet Multimodal beskriver den oprindelige model, mens dette modelkorts tilgængelige forløb danner en vektor ud fra tekst.", "locale": "da", "methods": [ { "html": "POST /v1/embeddingstextembedding