Amazon Titan Embeddings G1 er Amazons tekstbaserede embeddingmodel, også kendt som V1. Den omsætter tekst til en vektor med 1 536 tal. Resultatet hjælper applikationen med at sammenligne fraser og dokumenter efter betydning, selv når de bruger forskellige ord, eksempelvis at finde en vejledning om ændring af betalingsoplysninger ud fra et spørgsmål om nye faktureringsoplysninger.
G1 egner sig til at opbygge et tekstindeks og danne en søgerepræsentation af brugerens forespørgsel. I et system med en vidensbase er det ét af trinnene i RAG: Først findes relevante tekstudsnit, og derefter formulerer en særskilt sprogmodel et svar på baggrund af dem. Titan returnerer på dette trin en vektor; dokumentlagring, beregning af lighed og sammensætning af svaret hører til din applikation.
Et andet anvendelsesområde er gruppering af tekster. Vektorer kan bruges til at finde beslægtede supporthenvendelser, samle materiale efter emne eller udvælge lignende dokumenter. Konkrete kategorier og lighedstærskler fastlægges i arbejdsforløbet og findes ikke som færdige mærkater i en embedding.
Ailoot API understøtter tekstinput på op til 8 192 tokens og et resultat i embeddingformat. Ved søgning bør tekststykkernes størrelse vælges efter indholdet: Én stor dokumentvektor kan skjule forskelle mellem de enkelte spørgsmål, dokumentet behandler. Når kildeteksten opdateres, opdateres også dens repræsentation i indekset.
Denne Titan-generation bruger en fast repræsentation med 1536 dimensioner. Amazon beskriver træning på 25 naturlige sprog og den mest omfattende testning på engelsk. Til fagterminologi, tvetydige formuleringer og andre sprog er et lille sæt egne spørgsmål med på forhånd kendte relevante dokumenter nyttigt. G1 er først og fremmest beregnet til naturlig tekst; til søgning i kildekode findes særskilte oplysninger om træning på programmeringssprog for den næste Titan-generation.
", "aboutText": "### Tekstens betydning i en numerisk vektor\n\nAmazon Titan Embeddings G1 er Amazons tekstbaserede embeddingmodel, også kendt som V1. Den omsætter tekst til en vektor med **1 536 tal**. Resultatet hjælper applikationen med at sammenligne fraser og dokumenter efter betydning, selv når de bruger forskellige ord, eksempelvis at finde en vejledning om ændring af betalingsoplysninger ud fra et spørgsmål om nye faktureringsoplysninger.\n\n### Søgning, vidensbase og gruppering\n\nG1 egner sig til at opbygge et tekstindeks og danne en søgerepræsentation af brugerens forespørgsel. I et system med en vidensbase er det ét af trinnene i RAG: Først findes relevante tekstudsnit, og derefter formulerer en særskilt sprogmodel et svar på baggrund af dem. Titan returnerer på dette trin en vektor; dokumentlagring, beregning af lighed og sammensætning af svaret hører til din applikation.\n\nEt andet anvendelsesområde er gruppering af tekster. Vektorer kan bruges til at finde beslægtede supporthenvendelser, samle materiale efter emne eller udvælge lignende dokumenter. Konkrete kategorier og lighedstærskler fastlægges i arbejdsforløbet og findes ikke som færdige mærkater i en embedding.\n\n### Sådan forberedes materialet\n\n1. Opdel samlingen i forståelige enheder: afsnit, tekststykker eller selvstændige svar.\n2. Dan vektorer for enhederne, og bevar forbindelsen mellem hver vektor og kildeteksten.\n3. Omsæt søgeforespørgslen på samme måde.\n4. Sammenlign den med indekset, og send det fundne materiale til brugeren eller næste behandlingstrin.\n\nAiloot API understøtter tekstinput på op til **8 192 tokens** og et resultat i embeddingformat. Ved søgning bør tekststykkernes størrelse vælges efter indholdet: Én stor dokumentvektor kan skjule forskelle mellem de enkelte spørgsmål, dokumentet behandler. Når kildeteksten opdateres, opdateres også dens repræsentation i indekset.\n\n### Hvad der kendetegner G1\n\nDenne Titan-generation bruger en fast repræsentation med 1536 dimensioner. Amazon beskriver træning på 25 naturlige sprog og den mest omfattende testning på engelsk. Til fagterminologi, tvetydige formuleringer og andre sprog er et lille sæt egne spørgsmål med på forhånd kendte relevante dokumenter nyttigt. G1 er først og fremmest beregnet til naturlig tekst; til søgning i kildekode findes særskilte oplysninger om træning på programmeringssprog for den næste Titan-generation.", "locale": "da", "methods": [ { "html": "POST /v1/embeddingstextembedding