Amazon: Titan Embeddings G1 - Text

{"about":"### Le sens d’un texte sous forme de vecteur numérique\n\nAmazon Titan Embeddings G1 est un modèle de plongement vectoriel textuel d’Amazon, également appelé V1. Il transforme le texte en un vecteur de **1 536 nombres**. Ce résultat aide une application à comparer le sens de phrases et de documents, même lorsque leur vocabulaire diffère : par exemple, à retrouver une procédure de modification des coordonnées bancaires à partir d’une question sur le changement des informations de paiement.\n\n### Recherche, base de connaissances et regroupement\n\nG1 permet de préparer un index textuel et de produire la représentation d’une requête utilisateur pour la recherche. Dans un système fondé sur une base de connaissances, il s’agit d’une étape du RAG : les passages pertinents sont d’abord retrouvés, puis un modèle de langage distinct s’appuie sur eux pour formuler une réponse. À cette étape, Titan renvoie un vecteur ; le stockage des documents, le calcul de similarité et la rédaction de la réponse relèvent de votre application.\n\nLe regroupement de textes constitue un autre usage. Les vecteurs peuvent servir à retrouver des demandes d’assistance similaires, à réunir des contenus par thème ou à sélectionner des documents proches. Les catégories concrètes et les seuils de similarité sont définis dans votre processus de travail ; le plongement vectoriel ne contient pas une classification prête à l’emploi.\n\n### Comment préparer les contenus\n\n1. Découpez la collection en passages cohérents : sections, paragraphes ou réponses autonomes.\n2. Obtenez leurs vecteurs et conservez le lien entre chaque vecteur et son texte d’origine.\n3. Transformez la requête de recherche de la même manière.\n4. Comparez-la à l’index, puis transmettez les contenus trouvés à l’utilisateur ou à l’étape de traitement suivante.\n\nAiloot accepte une entrée textuelle de **8 192 tokens** au maximum et renvoie un plongement vectoriel. Pour la recherche, choisissez la taille des passages en fonction du contenu : un unique vecteur couvrant tout un document peut masquer les différences entre les questions qui y sont abordées. Lorsqu’un texte source change, sa représentation dans l’index doit également être mise à jour.\n\n### Ce qui distingue G1\n\nCette génération de Titan utilise une représentation fixe à 1 536 dimensions. Amazon indique un entraînement sur 25 langues naturelles et des tests plus approfondis en anglais. Pour la terminologie spécialisée, les formulations ambiguës et les autres langues, un petit ensemble de requêtes propres à votre activité, associées à des documents pertinents connus à l’avance, permet d’évaluer le résultat. G1 vise avant tout le texte en langue naturelle ; la génération suivante de Titan dispose d’informations d’entraînement spécifiques aux langages de programmation pour la recherche dans le code source.","alias_of":null,"aliases":[],"author":"Amazon","canonical_model":"amazon/titan-embed-text-v1","ctx":8192,"formats":["embeddings"],"id":"amazon/titan-embed-text-v1","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":0.2,"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-v1","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"amazon/titan-embed-text-v1","request_model_id":"amazon/titan-embed-text-v1","route_label":"Ultra"}],"name":"Amazon: Titan Embeddings G1 - Text","price":{"in":0.2,"in_label":null,"out":null,"out_label":null,"sort_in":0.2,"sort_out":null,"varies":false},"public_id":"amazon/titan-embed-text-v1","short":"Convertit le texte en vecteurs à 1 536 dimensions pour la recherche sémantique, la recherche de contenus similaires et le regroupement de documents."}