Amazon Titan Embeddings G1 è un modello di embedding testuale di Amazon, noto anche come V1. Trasforma il testo in un vettore di 1 536 numeri. Il risultato aiuta l’applicazione a confrontare frasi e documenti in base al significato anche quando usano parole diverse: per esempio, trovare le istruzioni per modificare le coordinate di pagamento partendo da una domanda sull’aggiornamento dei dati di pagamento.
G1 è adatto alla preparazione di un indice testuale e della rappresentazione di ricerca di una richiesta dell’utente. In un sistema con base di conoscenza è una delle fasi del RAG: prima si trovano i frammenti pertinenti, poi un modello linguistico separato formula una risposta basata su di essi. In questa fase Titan restituisce un vettore; la memorizzazione dei documenti, il calcolo della vicinanza e la composizione della risposta spettano all’applicazione.
Un altro uso è il raggruppamento dei testi. I vettori permettono di trovare richieste di assistenza simili, riunire materiali per argomento o selezionare documenti analoghi. Le categorie specifiche e le soglie di similarità sono definite nel processo di lavoro, non sono contenute nell’embedding come etichette già pronte.
In Ailoot è disponibile un ingresso testuale fino a 8 192 token e un risultato in formato embedding. Per la ricerca conviene scegliere la dimensione dei frammenti in base al contenuto: un unico grande vettore di un documento può nascondere le differenze tra le singole questioni affrontate. Quando si aggiorna il testo originale, si aggiorna anche la sua rappresentazione nell’indice.
Questa generazione di Titan usa una rappresentazione fissa a 1536 dimensioni. Amazon descrive un addestramento su 25 lingue naturali e verifiche più approfondite in inglese. Per terminologia professionale, formulazioni ambigue e altre lingue è utile un piccolo insieme di richieste proprie con documenti pertinenti noti in anticipo. G1 è pensato soprattutto per il testo naturale; per la ricerca nel codice sorgente, la generazione successiva di Titan dispone di informazioni specifiche sull’addestramento nei linguaggi di programmazione.
", "aboutText": "### Il significato del testo in un vettore numerico\n\nAmazon Titan Embeddings G1 è un modello di embedding testuale di Amazon, noto anche come V1. Trasforma il testo in un vettore di **1 536 numeri**. Il risultato aiuta l’applicazione a confrontare frasi e documenti in base al significato anche quando usano parole diverse: per esempio, trovare le istruzioni per modificare le coordinate di pagamento partendo da una domanda sull’aggiornamento dei dati di pagamento.\n\n### Ricerca, base di conoscenza e raggruppamento\n\nG1 è adatto alla preparazione di un indice testuale e della rappresentazione di ricerca di una richiesta dell’utente. In un sistema con base di conoscenza è una delle fasi del RAG: prima si trovano i frammenti pertinenti, poi un modello linguistico separato formula una risposta basata su di essi. In questa fase Titan restituisce un vettore; la memorizzazione dei documenti, il calcolo della vicinanza e la composizione della risposta spettano all’applicazione.\n\nUn altro uso è il raggruppamento dei testi. I vettori permettono di trovare richieste di assistenza simili, riunire materiali per argomento o selezionare documenti analoghi. Le categorie specifiche e le soglie di similarità sono definite nel processo di lavoro, non sono contenute nell’embedding come etichette già pronte.\n\n### Come preparare i materiali\n\n1. Suddividere la raccolta in frammenti comprensibili: sezioni, paragrafi o risposte autonome.\n2. Ottenere i vettori dei frammenti e conservare il collegamento di ciascun vettore con il testo originale.\n3. Trasformare nello stesso modo la richiesta di ricerca.\n4. Confrontarla con l’indice e restituire i materiali trovati all’utente o alla fase successiva di elaborazione.\n\nIn Ailoot è disponibile un ingresso testuale fino a **8 192 token** e un risultato in formato embedding. Per la ricerca conviene scegliere la dimensione dei frammenti in base al contenuto: un unico grande vettore di un documento può nascondere le differenze tra le singole questioni affrontate. Quando si aggiorna il testo originale, si aggiorna anche la sua rappresentazione nell’indice.\n\n### Cosa distingue G1\n\nQuesta generazione di Titan usa una rappresentazione fissa a 1536 dimensioni. Amazon descrive un addestramento su 25 lingue naturali e verifiche più approfondite in inglese. Per terminologia professionale, formulazioni ambigue e altre lingue è utile un piccolo insieme di richieste proprie con documenti pertinenti noti in anticipo. G1 è pensato soprattutto per il testo naturale; per la ricerca nel codice sorgente, la generazione successiva di Titan dispone di informazioni specifiche sull’addestramento nei linguaggi di programmazione.", "locale": "it", "methods": [ { "html": "POST /v1/embeddingstextembedding