Amazon Titan Text Embeddings V2 omsætter tekst til en numerisk repræsentation til søgning og andre opgaver baseret på betydningsmæssig nærhed. Modellen er optimeret til at hente relevante tekstudsnit: Brugeren stiller et spørgsmål med egne ord, og applikationen sammenligner dets vektor med vektorerne for materialet i vidensbasen. Dermed kan relevant information findes uden fuldstændigt sammenfald mellem nøgleordene.
V2 adskiller sig fra G1 ved en mere kompakt standardrepræsentation: Ifølge Amazons dokumentation har vektoren som standard 1 024 dimensioner. For applikationen er dette en egenskab ved de data, den lagrer og sammenligner. Alle poster i samme indeks skal bruge en ensartet repræsentation; ved skift fra en anden embeddingmodel opbygges indekset på ny til den valgte model.
Amazon oplyser, at V2 er trænet på mere end 100 naturlige sprog og 13 programmeringssprog, herunder Python, JavaScript, Java, C++, Rust, Go og SQL. Modellen er dog primært optimeret til engelsk tekst. I en flersproget base er det særligt nyttigt at afprøve spørgsmål, hvor spørgsmålets sprog afviger fra dokumenternes: At et sprog indgår i træningen, betyder ikke ensartet kvalitet for alle sådanne kombinationer.
Input er tekst, og output er en embedding. Grænsen i dette modelkort er 8 192 inputtokens. Til et søgeindeks er det praktisk at opdele lange tekster ved betydningsmæssige grænser: overskrifter, afsnit og tekststykker. Hver del kan derefter lagres sammen med sin vektor og en henvisning til den oprindelige kilde.
Vælg faktiske spørgsmål og relevante svar fra din samling, dan embeddings, og kontroller søgeresultaterne. Juster tekststykkernes størrelse og sammenligningsmetoden på samme datasæt, mens forbindelsen til kildeteksten bevares. Titan danner numeriske repræsentationer; sammenligning, udvælgelse og formulering af svar udføres i applikationens efterfølgende trin. Kontrollen hjælper med at tilpasse indeksets indstillinger til din terminologi og dokumentstruktur.
", "aboutText": "### Anden generation af Titans tekstembeddings\n\nAmazon Titan Text Embeddings V2 omsætter tekst til en numerisk repræsentation til søgning og andre opgaver baseret på betydningsmæssig nærhed. Modellen er optimeret til at hente relevante tekstudsnit: Brugeren stiller et spørgsmål med egne ord, og applikationen sammenligner dets vektor med vektorerne for materialet i vidensbasen. Dermed kan relevant information findes uden fuldstændigt sammenfald mellem nøgleordene.\n\nV2 adskiller sig fra G1 ved en mere kompakt standardrepræsentation: Ifølge Amazons dokumentation har vektoren som standard **1 024 dimensioner**. For applikationen er dette en egenskab ved de data, den lagrer og sammenligner. Alle poster i samme indeks skal bruge en ensartet repræsentation; ved skift fra en anden embeddingmodel opbygges indekset på ny til den valgte model.\n\n### Anvendelsesområder\n\n- **RAG og virksomhedssøgning:** dan vektorer for dokumentationsafsnit, og hent derefter tekstudsnit til en særskilt model, der besvarer spørgsmålet.\n- **Semantisk lighed:** sammenlign tekster med forskellige formuleringer, og find beslægtet materiale.\n- **Gruppering:** undersøg emner i henvendelser, anmeldelser og dokumenter gennem nærheden mellem deres repræsentationer.\n- **Kodesøgning:** opbyg søgeforløb til kildekode og tilhørende forklaringer.\n\nAmazon oplyser, at V2 er trænet på mere end 100 naturlige sprog og 13 programmeringssprog, herunder Python, JavaScript, Java, C++, Rust, Go og SQL. Modellen er dog primært optimeret til engelsk tekst. I en flersproget base er det særligt nyttigt at afprøve spørgsmål, hvor spørgsmålets sprog afviger fra dokumenternes: At et sprog indgår i træningen, betyder ikke ensartet kvalitet for alle sådanne kombinationer.\n\n### Brug i Ailoot API\n\nInput er tekst, og output er en **embedding**. Grænsen i dette modelkort er **8 192 inputtokens**. Til et søgeindeks er det praktisk at opdele lange tekster ved betydningsmæssige grænser: overskrifter, afsnit og tekststykker. Hver del kan derefter lagres sammen med sin vektor og en henvisning til den oprindelige kilde.\n\n### Praktisk arbejdsgang\n\nVælg faktiske spørgsmål og relevante svar fra din samling, dan embeddings, og kontroller søgeresultaterne. Juster tekststykkernes størrelse og sammenligningsmetoden på samme datasæt, mens forbindelsen til kildeteksten bevares. Titan danner numeriske repræsentationer; sammenligning, udvælgelse og formulering af svar udføres i applikationens efterfølgende trin. Kontrollen hjælper med at tilpasse indeksets indstillinger til din terminologi og dokumentstruktur.", "locale": "da", "methods": [ { "html": "POST /v1/embeddingstextembedding