Amazon: Titan Text Embeddings V2

{"about":"### Titanin tekstien upotusten toinen sukupolvi\n\nAmazon Titan Text Embeddings V2 muuntaa tekstin numeeriseksi esitykseksi hakua ja muita merkitysten läheisyyteen perustuvia tehtäviä varten. Malli on optimoitu sopivien katkelmien noutamiseen: käyttäjä esittää kysymyksen omin sanoin, ja sovellus vertaa sen vektoria tietopohjan aineiston vektoreihin. Näin tieto voidaan löytää ilman avainsanojen täydellistä vastaavuutta.\n\nV2 eroaa G1:stä tiiviimmällä oletusesityksellä: Amazonin dokumentaatiossa vektorin oletuskoko on **1 024 ulottuvuutta**. Sovellukselle tämä on sen tallentaman ja vertaaman datan ominaisuus. Saman indeksin kaikkien tietueiden on käytettävä yhtenäistä esitystapaa; toisesta upotusmallista siirryttäessä indeksi valmistellaan uudelleen valitulle mallille.\n\n### Käyttökohteet\n\n- **RAG ja yrityksen sisäinen haku:** muodosta dokumentaation osioiden vektorit ja nouda katkelmat erilliselle mallille, joka vastaa kysymykseen.\n- **Semanttinen samankaltaisuus:** vertaa eri tavoin muotoiltuja tekstejä ja löydä samankaltaista aineistoa.\n- **Ryhmittely:** tutki yhteydenottojen, arvioiden ja asiakirjojen aiheita niiden esitysten läheisyyden avulla.\n- **Koodihaku:** rakenna hakutyönkulkuja lähdekoodille ja siihen liittyville selityksille.\n\nAmazon kertoo V2:n koulutuksesta yli 100 luonnollisella kielellä ja 13 ohjelmointikielellä, kuten Python, JavaScript, Java, C++, Rust, Go ja SQL. Malli on kuitenkin optimoitu ensisijaisesti englanninkieliselle tekstille. Monikielisessä tietopohjassa kannattaa testata erikseen kyselyt, joissa kysymyksen kieli eroaa asiakirjojen kielestä: kielten mukanaolo koulutuksessa ei tarkoita samanlaista laatua kaikissa tällaisissa yhdistelmissä.\n\n### Käyttö Ailoot API:ssa\n\nSyötteenä annetaan tekstiä, ja tuloksena saadaan **upotus**. Tämän mallikortin raja on **8 192 syötetokenia**. Hakuindeksiä varten pitkät aineistot on helppo jakaa merkityksellisistä kohdista: otsikoiden, osioiden ja kappaleiden mukaan. Jokaisen katkelman voi sitten tallentaa sen vektorin ja alkuperäislähteeseen osoittavan viitteen kanssa.\n\n### Käytännön työnkulku\n\nValitse kokoelmastasi todellisia kysymyksiä ja niihin sopivia vastauksia, muodosta upotukset ja tarkista hakutulokset. Muuta katkelman kokoa ja vertailutapaa samalla aineistolla ja säilytä yhteys lähdetekstiin. Titan valmistaa numeeriset esitykset; vertailu, tulosten valinta ja vastauksen muodostaminen tehdään sovelluksen seuraavissa vaiheissa. Tällainen tarkistus auttaa valitsemaan indeksin asetukset oman terminologiasi ja asiakirjarakenteesi mukaan.","alias_of":null,"aliases":[],"author":"Amazon","canonical_model":"amazon/titan-embed-text-v2","ctx":8192,"formats":["embeddings"],"id":"amazon/titan-embed-text-v2","input":["text"],"kind":"embedding","max_out":0,"methods":[{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":8192,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"embeddings","http":"POST","img_in":null,"img_out":null,"in":0.04,"input":["text"],"label":"Эмбеддинги","max_out":0,"max_tool_calls":null,"out":0,"output":["embedding"],"path":"/v1/embeddings","request_model_id":"amazon/titan-embed-text-v2","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"amazon/titan-embed-text-v2","request_model_id":"amazon/titan-embed-text-v2","route_label":"Ultra"}],"name":"Amazon: Titan Text Embeddings V2","price":{"in":0.04,"in_label":null,"out":null,"out_label":null,"sort_in":0.04,"sort_out":null,"varies":false},"public_id":"amazon/titan-embed-text-v2","short":"Muodostaa tekstivektoreita RAG:iin, semanttiseen hakuun ja ryhmittelyyn, myös monikielisen aineiston ja koodin hakuun."}