{
  "aboutHtml": "<h3>Makna teks dalam vektor numerik</h3><p>Amazon Titan Embeddings G1 adalah model embedding teks dari Amazon, juga dikenal sebagai V1. Model ini mengubah teks menjadi vektor berisi <strong>1 536 angka</strong>. Hasil tersebut membantu aplikasi membandingkan makna frasa dan dokumen meskipun menggunakan kata-kata berbeda: misalnya, menemukan petunjuk perubahan detail pembayaran dari pertanyaan tentang mengganti data pembayaran.</p><h3>Pencarian, basis pengetahuan, dan pengelompokan</h3><p>G1 sesuai untuk menyiapkan indeks teks dan membuat representasi pencarian dari kueri pengguna. Dalam sistem dengan basis pengetahuan, ini menjadi salah satu tahap RAG: potongan yang relevan ditemukan terlebih dahulu, lalu model bahasa terpisah menyusun jawaban berdasarkan potongan tersebut. Pada tahap ini, Titan mengembalikan vektor; penyimpanan dokumen, perhitungan kedekatan, dan penyusunan jawaban menjadi tanggung jawab aplikasi Anda.</p><p>Alur lain adalah pengelompokan teks. Vektor dapat digunakan untuk menemukan permintaan dukungan yang mirip, mengelompokkan materi berdasarkan topik, atau memilih dokumen serupa. Kategori dan ambang kemiripan tertentu ditentukan dalam alur kerja, bukan terkandung dalam embedding sebagai label siap pakai.</p><h3>Menyiapkan materi</h3><ol><li>Bagi koleksi menjadi potongan yang jelas: bagian, paragraf, atau jawaban yang berdiri sendiri.</li><li>Dapatkan vektor potongan tersebut dan simpan hubungan setiap vektor dengan teks sumbernya.</li><li>Ubah kueri pencarian dengan cara yang sama.</li><li>Bandingkan dengan indeks dan kembalikan materi yang ditemukan kepada pengguna atau tahap pemrosesan berikutnya.</li></ol><p>Di Ailoot API tersedia masukan teks hingga <strong>8 192 token</strong> dengan hasil berupa embedding. Untuk pencarian, ukuran potongan sebaiknya mengikuti isinya: satu vektor besar untuk seluruh dokumen dapat menyamarkan perbedaan antara pertanyaan-pertanyaan yang dibahasnya. Saat teks sumber diperbarui, representasinya dalam indeks juga diperbarui.</p><h3>Ciri khas G1</h3><p>Generasi Titan ini menggunakan representasi tetap 1536 dimensi. Amazon menjelaskan pelatihan pada 25 bahasa alami dan pengujian paling terperinci dalam bahasa Inggris. Untuk istilah profesional, ungkapan ambigu, dan bahasa lain, berguna menyiapkan sekumpulan kecil kueri sendiri dengan dokumen relevan yang telah diketahui. G1 terutama ditujukan untuk teks alami; untuk pencarian kode sumber, generasi Titan berikutnya memiliki keterangan tersendiri tentang pelatihan pada bahasa pemrograman.</p>",
  "aboutText": "### Makna teks dalam vektor numerik\n\nAmazon Titan Embeddings G1 adalah model embedding teks dari Amazon, juga dikenal sebagai V1. Model ini mengubah teks menjadi vektor berisi **1 536 angka**. Hasil tersebut membantu aplikasi membandingkan makna frasa dan dokumen meskipun menggunakan kata-kata berbeda: misalnya, menemukan petunjuk perubahan detail pembayaran dari pertanyaan tentang mengganti data pembayaran.\n\n### Pencarian, basis pengetahuan, dan pengelompokan\n\nG1 sesuai untuk menyiapkan indeks teks dan membuat representasi pencarian dari kueri pengguna. Dalam sistem dengan basis pengetahuan, ini menjadi salah satu tahap RAG: potongan yang relevan ditemukan terlebih dahulu, lalu model bahasa terpisah menyusun jawaban berdasarkan potongan tersebut. Pada tahap ini, Titan mengembalikan vektor; penyimpanan dokumen, perhitungan kedekatan, dan penyusunan jawaban menjadi tanggung jawab aplikasi Anda.\n\nAlur lain adalah pengelompokan teks. Vektor dapat digunakan untuk menemukan permintaan dukungan yang mirip, mengelompokkan materi berdasarkan topik, atau memilih dokumen serupa. Kategori dan ambang kemiripan tertentu ditentukan dalam alur kerja, bukan terkandung dalam embedding sebagai label siap pakai.\n\n### Menyiapkan materi\n\n1. Bagi koleksi menjadi potongan yang jelas: bagian, paragraf, atau jawaban yang berdiri sendiri.\n2. Dapatkan vektor potongan tersebut dan simpan hubungan setiap vektor dengan teks sumbernya.\n3. Ubah kueri pencarian dengan cara yang sama.\n4. Bandingkan dengan indeks dan kembalikan materi yang ditemukan kepada pengguna atau tahap pemrosesan berikutnya.\n\nDi Ailoot API tersedia masukan teks hingga **8 192 token** dengan hasil berupa embedding. Untuk pencarian, ukuran potongan sebaiknya mengikuti isinya: satu vektor besar untuk seluruh dokumen dapat menyamarkan perbedaan antara pertanyaan-pertanyaan yang dibahasnya. Saat teks sumber diperbarui, representasinya dalam indeks juga diperbarui.\n\n### Ciri khas G1\n\nGenerasi Titan ini menggunakan representasi tetap 1536 dimensi. Amazon menjelaskan pelatihan pada 25 bahasa alami dan pengujian paling terperinci dalam bahasa Inggris. Untuk istilah profesional, ungkapan ambigu, dan bahasa lain, berguna menyiapkan sekumpulan kecil kueri sendiri dengan dokumen relevan yang telah diketahui. G1 terutama ditujukan untuk teks alami; untuk pencarian kode sumber, generasi Titan berikutnya memiliki keterangan tersendiri tentang pelatihan pada bahasa pemrograman.",
  "locale": "id",
  "methods": [
    {
      "html": "<section class=\"meth\" data-route=\"Ultra\"><header><b><span class=\"alias\">Ultra</span> Embedding</b><code>POST /v1/embeddings</code></header><dl class=\"method-capabilities\" data-model-capabilities><div><dt>Masukan</dt><dd><code>text</code></dd></div><div><dt>Keluaran</dt><dd><code>embedding</code></dd></div><div><dt>Konteks</dt><dd>8.192 <em>token</em></dd></div><div><dt>Panjang jawaban maksimum</dt><dd>Tidak ditentukan dalam katalog</dd></div></dl><dl><div><dt>Masukan</dt><dd>US$0,0002 <em>/ 1K</em></dd></div></dl></section>",
      "method_identity": {
        "effective_request_model_id": "amazon/titan-embed-text-v1",
        "fmt": "embeddings",
        "http": "POST",
        "path": "/v1/embeddings",
        "request_model_id": "amazon/titan-embed-text-v1",
        "route_label": "Ultra"
      },
      "method_key": "Ultra|embeddings|/v1/embeddings|amazon%2Ftitan-embed-text-v1",
      "ordinal": 0,
      "rawMethod": {
        "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_id": "amazon/titan-embed-text-v1",
  "page": {
    "canonical": "https://ailoot.ai/models/id/amazon-titan-embed-text-v1/",
    "description": "Mengubah teks menjadi vektor 1536 dimensi untuk pencarian semantik, pemilihan materi serupa, dan pengelompokan dokumen.",
    "locale": "id",
    "md_url": "https://ailoot.ai/models/id/amazon-titan-embed-text-v1/index.md",
    "title": "Amazon: Titan Embeddings G1 - Text",
    "url": "https://ailoot.ai/models/id/amazon-titan-embed-text-v1/"
  },
  "rawModel": {
    "about": "### Makna teks dalam vektor numerik\n\nAmazon Titan Embeddings G1 adalah model embedding teks dari Amazon, juga dikenal sebagai V1. Model ini mengubah teks menjadi vektor berisi **1 536 angka**. Hasil tersebut membantu aplikasi membandingkan makna frasa dan dokumen meskipun menggunakan kata-kata berbeda: misalnya, menemukan petunjuk perubahan detail pembayaran dari pertanyaan tentang mengganti data pembayaran.\n\n### Pencarian, basis pengetahuan, dan pengelompokan\n\nG1 sesuai untuk menyiapkan indeks teks dan membuat representasi pencarian dari kueri pengguna. Dalam sistem dengan basis pengetahuan, ini menjadi salah satu tahap RAG: potongan yang relevan ditemukan terlebih dahulu, lalu model bahasa terpisah menyusun jawaban berdasarkan potongan tersebut. Pada tahap ini, Titan mengembalikan vektor; penyimpanan dokumen, perhitungan kedekatan, dan penyusunan jawaban menjadi tanggung jawab aplikasi Anda.\n\nAlur lain adalah pengelompokan teks. Vektor dapat digunakan untuk menemukan permintaan dukungan yang mirip, mengelompokkan materi berdasarkan topik, atau memilih dokumen serupa. Kategori dan ambang kemiripan tertentu ditentukan dalam alur kerja, bukan terkandung dalam embedding sebagai label siap pakai.\n\n### Menyiapkan materi\n\n1. Bagi koleksi menjadi potongan yang jelas: bagian, paragraf, atau jawaban yang berdiri sendiri.\n2. Dapatkan vektor potongan tersebut dan simpan hubungan setiap vektor dengan teks sumbernya.\n3. Ubah kueri pencarian dengan cara yang sama.\n4. Bandingkan dengan indeks dan kembalikan materi yang ditemukan kepada pengguna atau tahap pemrosesan berikutnya.\n\nDi Ailoot API tersedia masukan teks hingga **8 192 token** dengan hasil berupa embedding. Untuk pencarian, ukuran potongan sebaiknya mengikuti isinya: satu vektor besar untuk seluruh dokumen dapat menyamarkan perbedaan antara pertanyaan-pertanyaan yang dibahasnya. Saat teks sumber diperbarui, representasinya dalam indeks juga diperbarui.\n\n### Ciri khas G1\n\nGenerasi Titan ini menggunakan representasi tetap 1536 dimensi. Amazon menjelaskan pelatihan pada 25 bahasa alami dan pengujian paling terperinci dalam bahasa Inggris. Untuk istilah profesional, ungkapan ambigu, dan bahasa lain, berguna menyiapkan sekumpulan kecil kueri sendiri dengan dokumen relevan yang telah diketahui. G1 terutama ditujukan untuk teks alami; untuk pencarian kode sumber, generasi Titan berikutnya memiliki keterangan tersendiri tentang pelatihan pada bahasa pemrograman.",
    "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": "Mengubah teks menjadi vektor 1536 dimensi untuk pencarian semantik, pemilihan materi serupa, dan pengelompokan dokumen."
  },
  "renderer_schema": {
    "method_order": "rawModel.methods-ordinal",
    "prices": "exact-native-DTO-units-and-selected-renderer-html"
  },
  "representation": "exact-public-dto-and-native-renderer-html",
  "schema": "ailoot-static-model-facts-v1",
  "schema_version": 1,
  "shortText": "Mengubah teks menjadi vektor 1536 dimensi untuk pencarian semantik, pemilihan materi serupa, dan pengelompokan dokumen.",
  "source": {
    "audit_sha256": "11a421958e56a4d84eca33d60e8836934743f38f518b2a7eeb0afc6a72eac817",
    "bridge_map_sha256": "11a421958e56a4d84eca33d60e8836934743f38f518b2a7eeb0afc6a72eac817",
    "projection_audit": {
      "parent_manifest_sha256": "dfd3a7a4bc6f960e128026cae1f98f769d1503ffa1c6cf0ccf80066382dbbb9e",
      "raw_model_json_sha256": "e50220a2406141c00d012af42aedfcce1940e706f02cc3ed707f03ba289d3d8a",
      "renderer_sha256": "d98baae37f84136a402245fd439c49ceaf2ba425be8faa18b2d4233cd555c0ea"
    },
    "projection_kind": "catalogue-refresh-native-dto-v1",
    "raw_model_json_sha256": "e50220a2406141c00d012af42aedfcce1940e706f02cc3ed707f03ba289d3d8a",
    "renderer_sha256": "d98baae37f84136a402245fd439c49ceaf2ba425be8faa18b2d4233cd555c0ea"
  },
  "sourceRevision": "92985f125c894a1313b923cf9dd728db9a69d5903e4bea23eb7702d0afbb5ac5"
}