Source: https://ailoot.ai/models/fi/amazon-titan-embed-text-v2/ Canonical: https://ailoot.ai/models/fi/amazon-titan-embed-text-v2/ Language: fi # Amazon: Titan Text Embeddings V2 [Markdown](https://ailoot.ai/models/fi/amazon-titan-embed-text-v2/index.md) · [JSON](https://ailoot.ai/models/fi/amazon-titan-embed-text-v2/facts.json) ## [Amazon: Titan Text Embeddings V2](https://ailoot.ai/models/fi/amazon-titan-embed-text-v2/) `amazon/titan-embed-text-v2` AmazonVektoriesityksetSyöte 0,00004 $ / 1KTuloste — Muodostaa tekstivektoreita RAG:iin, semanttiseen hakuun ja ryhmittelyyn, myös monikielisen aineiston ja koodin hakuun. ### Titanin tekstien upotusten toinen sukupolvi Amazon 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. V2 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. ### Käyttökohteet - **RAG ja yrityksen sisäinen haku:** muodosta dokumentaation osioiden vektorit ja nouda katkelmat erilliselle mallille, joka vastaa kysymykseen. - **Semanttinen samankaltaisuus:** vertaa eri tavoin muotoiltuja tekstejä ja löydä samankaltaista aineistoa. - **Ryhmittely:** tutki yhteydenottojen, arvioiden ja asiakirjojen aiheita niiden esitysten läheisyyden avulla. - **Koodihaku:** rakenna hakutyönkulkuja lähdekoodille ja siihen liittyville selityksille. Amazon 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. ### Käyttö Ailoot API:ssa Syötteenä 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. ### Käytännön työnkulku Valitse 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. ### Saatavilla Ailoot API:n kautta Syötetyypit `text` Tulostyypit `embedding` Konteksti 8 192 *tokenia* Vastauksen enimmäispituus Ei määritelty luettelossa Syöte 0,00004 $ */ 1K* `amazon/titan-embed-text-v2` · JSON ``` {"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."} ``` ## Kysymykset Miten valitsen tehtävääni sopivan mallin? Määritä ensin tarvittava syöte ja tuloste: teksti, kuva, ääni tai video. Vertaa sitten yhteensopivia API-menetelmiä, mallin tarkkaa ID:tä tai mallia, johon alias tällä hetkellä viittaa, hintaa ja laskutusyksikköä. GET /v1/models on maksuton ja luettelee avaimesi käytettävissä olevat mallit. Tukeeko jokainen malli kaikkia API-menetelmiä ja mediatyyppejä? Käytä mallikortissa lueteltuja API-menetelmiä sekä syöte- ja tulostetyyppejä. Tekstin, kuvien, äänen tai videon tuki riippuu valitusta mallista ja menetelmästä; tarkista niiden pyyntöesimerkki ennen tietojesi lähettämistä. Mitä eroa on mallin ID:llä ja aliaksella? Mallin tarkka ID yksilöi tietyn mallin. Alias viittaa malliin, ja sen kohdemalli voi vaihtua. Tarkista luettelosta, mihin malliin alias tällä hetkellä viittaa; käytä tarkkaa ID:tä, kun integraatiosi tarvitsee tietyn mallin. Miten vertailen hintoja ennen pyynnön lähettämistä? Tarkista mallikortista valitun API-menetelmän hinta ja laskutusyksikkö. Vertaa samaa yksikköä sekä samoja syöte- ja tulostetyyppejä; pyyntöhistoriasta näet todellisen käytön ja veloitetun summan. Mitä tilaus antaa? Alennuksen tokenien ostamiseen säännöllistä käyttöä varten. Valitse paketti pyyntömääräsi mukaan; tilauksen ehdot ja hinta näkyvät tilatessa. Miten käytän kampanjakoodin jopa 50% alennuksen? Syötä kampanjakoodi tokeniostossa. Lopullinen summa lasketaan kampanjaehtojen mukaan; alennuksen määrä näkyy ennen maksua. ## Ailoot · Yritys ja sen projektisalkku Ailoot perustuu kertyneeseen toimintakokemukseen, laajaan asiakaskuntaan, vakaaseen palveluun ja jatkuvaan KPI-seurantaan. Yritys ja sen projektisalkku: miljoonia asiakkaita; kuukausittainen myynti miljardiluokassa. Ailoot hyödyntää tätä toimintakokemusta tarjotessaan API-yhteyden tekoälytoimintoihin asiakkaiden tuotteissa, agenteissa, sovelluksissa ja automaatioissa.