Az Amazon Titan Text Embeddings V2 a szöveget számszerű reprezentációvá alakítja kereséshez és más, jelentésbeli közelségen alapuló feladatokhoz. A modell megfelelő részletek kikeresésére optimalizált: a felhasználó saját szavaival kérdez, az alkalmazás pedig összehasonlítja a kérdés vektorát a tudásbázis anyagainak vektoraival. Így teljes kulcsszóegyezés nélkül is megtalálható az információ.
A V2 a G1-nél tömörebb alapértelmezett reprezentációt használ: az Amazon dokumentációja szerint a vektor alapmérete 1 024 dimenzió. Ez az alkalmazás által tárolt és összehasonlított adatok jellemzője. Egy index minden rekordjának egységes reprezentációt kell használnia; más beágyazási modellről áttérve az indexet újra kell építeni a választott modellhez.
Az Amazon szerint a V2 több mint 100 természetes és 13 programozási nyelven tanult, köztük Python, JavaScript, Java, C++, Rust, Go és SQL nyelven. A modell elsősorban angol szövegre optimalizált. Többnyelvű tudásbázisban különösen érdemes ellenőrizni az eltérő nyelvű kérdés–dokumentum párokat: a tanításban szereplő nyelvek nem jelentenek minden párosításban azonos minőséget.
A bemenet szöveg, a kimenet embedding. E modellkártya korlátja 8 192 bemeneti token. Keresési indexhez a hosszú anyagokat célszerű jelentéshatároknál, címeknél, fejezeteknél és bekezdéseknél bontani. Minden részlet tárolható a vektorával és eredeti forrására mutató hivatkozással együtt.
Válasszon valódi kérdéseket és megfelelő válaszokat a gyűjteményéből, készítsen beágyazásokat, és ellenőrizze a találatokat. Ugyanezen a mintán változtassa a részletméretet és az összehasonlítás módját, megőrizve az eredeti szöveg kapcsolatát. A Titan számszerű reprezentációkat készít; az összevetés, a találatok kiválasztása és a válaszadás az alkalmazás következő lépéseinek feladata. Az ellenőrzés segít az indexet a szakterminológiához és a dokumentumszerkezethez igazítani.
", "aboutText": "### A Titan szövegbeágyazásainak második generációja\n\nAz Amazon Titan Text Embeddings V2 a szöveget számszerű reprezentációvá alakítja kereséshez és más, jelentésbeli közelségen alapuló feladatokhoz. A modell megfelelő részletek kikeresésére optimalizált: a felhasználó saját szavaival kérdez, az alkalmazás pedig összehasonlítja a kérdés vektorát a tudásbázis anyagainak vektoraival. Így teljes kulcsszóegyezés nélkül is megtalálható az információ.\n\nA V2 a G1-nél tömörebb alapértelmezett reprezentációt használ: az Amazon dokumentációja szerint a vektor alapmérete **1 024 dimenzió**. Ez az alkalmazás által tárolt és összehasonlított adatok jellemzője. Egy index minden rekordjának egységes reprezentációt kell használnia; más beágyazási modellről áttérve az indexet újra kell építeni a választott modellhez.\n\n### Felhasználási területek\n\n- **RAG és vállalati keresés:** dokumentációrészek vektorainak elkészítése, majd részletek kikeresése egy külön, kérdésekre válaszoló modell számára.\n- **Szemantikus hasonlóság:** eltérően megfogalmazott szövegek összevetése és közeli anyagok keresése.\n- **Csoportosítás:** megkeresések, értékelések és dokumentumok témáinak vizsgálata reprezentációik közelsége alapján.\n- **Kódkeresés:** keresési folyamatok építése forráskódhoz és kapcsolódó magyarázatokhoz.\n\nAz Amazon szerint a V2 több mint 100 természetes és 13 programozási nyelven tanult, köztük Python, JavaScript, Java, C++, Rust, Go és SQL nyelven. A modell elsősorban angol szövegre optimalizált. Többnyelvű tudásbázisban különösen érdemes ellenőrizni az eltérő nyelvű kérdés–dokumentum párokat: a tanításban szereplő nyelvek nem jelentenek minden párosításban azonos minőséget.\n\n### Használat az Ailootban\n\nA bemenet szöveg, a kimenet **embedding**. E modellkártya korlátja **8 192 bemeneti token**. Keresési indexhez a hosszú anyagokat célszerű jelentéshatároknál, címeknél, fejezeteknél és bekezdéseknél bontani. Minden részlet tárolható a vektorával és eredeti forrására mutató hivatkozással együtt.\n\n### Gyakorlati munkaciklus\n\nVálasszon valódi kérdéseket és megfelelő válaszokat a gyűjteményéből, készítsen beágyazásokat, és ellenőrizze a találatokat. Ugyanezen a mintán változtassa a részletméretet és az összehasonlítás módját, megőrizve az eredeti szöveg kapcsolatát. A Titan számszerű reprezentációkat készít; az összevetés, a találatok kiválasztása és a válaszadás az alkalmazás következő lépéseinek feladata. Az ellenőrzés segít az indexet a szakterminológiához és a dokumentumszerkezethez igazítani.", "locale": "hu", "methods": [ { "html": "POST /v1/embeddingstextembedding