Az Amazon Titan Multimodal Embeddings G1 az Amazon beágyazási modellje, amely közös reprezentációs teret használ a szövegekhez és képekhez. Az Ailoot e modellkártyája szöveges munkamenetet biztosít: rövid leírást vagy keresőkifejezést ad meg, és számvektort kap. Ez olyan formában ábrázolja a szöveg tartalmát, amelyet az alkalmazás más kompatibilis vektorokkal összehasonlíthat.
A modell katalóguskeresés, ajánlások és személyre szabás részeként használható. Például a „piros utazótáska” leírásból keresővektor lesz, amellyel az alkalmazás közeli találatokat keres az előkészített indexben. A találat a katalógus tartalmától és indexelésétől is függ: a beágyazás a lekérdezést ábrázolja, a kész válogatást a keresőrendszer állítja össze.
E Titan-változat sajátossága a szöveges és vizuális adatok közös tere. A szövegvektor olyan rendszerben lehet hasznos, amelyben az objektumok kompatibilis reprezentációi már elkészültek. Hagyományos szöveges dokumentumkeresésnél a részlet hossza és a nyelv feladathoz illeszkedése is fontos: a gyártó a G1-et rövid szöveges bemenetű, angol nyelvű modellként írja le.
Az indexnek és a lekérdezésnek kompatibilis adatreprezentációt kell használnia. Nagy katalógus feltöltése előtt érdemes valódi keresőkifejezésekkel ellenőrizni a jelentésbeli egyezést, a ritka jellemzőket és azokat az eseteket, amikor hasonló szavak eltérő tárgyakat jelölnek.
Az itt elérhető metódus szöveget fogad és embeddinget ad vissza; a modellkártya bemeneti korlátja 128 token. Ehhez rövid leírás kell, a hosszú dokumentumot célszerű előbb önálló jelentésegységekre bontani. Képfeltöltés, képgenerálás és videófeldolgozás nem része ennek a metódusnak. A Multimodal név az eredeti modellt jellemzi; e modellkártya szövegből készít vektort.
", "aboutText": "### Szöveges bemenet a multimodális térbe\n\nAz Amazon Titan Multimodal Embeddings G1 az Amazon beágyazási modellje, amely közös reprezentációs teret használ a szövegekhez és képekhez. Az Ailoot e modellkártyája szöveges munkamenetet biztosít: rövid leírást vagy keresőkifejezést ad meg, és számvektort kap. Ez olyan formában ábrázolja a szöveg tartalmát, amelyet az alkalmazás más kompatibilis vektorokkal összehasonlíthat.\n\n### Milyen feladatokra alkalmas\n\nA modell katalóguskeresés, ajánlások és személyre szabás részeként használható. Például a „piros utazótáska” leírásból keresővektor lesz, amellyel az alkalmazás közeli találatokat keres az előkészített indexben. A találat a katalógus tartalmától és indexelésétől is függ: a beágyazás a lekérdezést ábrázolja, a kész válogatást a keresőrendszer állítja össze.\n\nE Titan-változat sajátossága a szöveges és vizuális adatok közös tere. A szövegvektor olyan rendszerben lehet hasznos, amelyben az objektumok kompatibilis reprezentációi már elkészültek. Hagyományos szöveges dokumentumkeresésnél a részlet hossza és a nyelv feladathoz illeszkedése is fontos: a gyártó a G1-et rövid szöveges bemenetű, angol nyelvű modellként írja le.\n\n### A munka menete\n\n1. Rövid kifejezésben fogalmazzon meg egy tárgyat, tulajdonságot vagy keresési szándékot.\n2. Kérje le a kifejezés beágyazását.\n3. Hasonlítsa össze az index vektoraival, és válassza ki a megfelelő rekordokat.\n4. Adja tovább a talált anyagokat, például a katalógus felületének vagy egy külön, választ összeállító modellnek.\n\nAz indexnek és a lekérdezésnek kompatibilis adatreprezentációt kell használnia. Nagy katalógus feltöltése előtt érdemes valódi keresőkifejezésekkel ellenőrizni a jelentésbeli egyezést, a ritka jellemzőket és azokat az eseteket, amikor hasonló szavak eltérő tárgyakat jelölnek.\n\n### Bemenet és eredmény az Ailootban\n\nAz itt elérhető metódus **szöveget** fogad és **embeddinget** ad vissza; a modellkártya bemeneti korlátja **128 token**. Ehhez rövid leírás kell, a hosszú dokumentumot célszerű előbb önálló jelentésegységekre bontani. Képfeltöltés, képgenerálás és videófeldolgozás nem része ennek a metódusnak. A Multimodal név az eredeti modellt jellemzi; e modellkártya szövegből készít vektort.", "locale": "hu", "methods": [ { "html": "POST /v1/embeddingstextembedding