Amazon: Titan Text Embeddings V2

{"about":"### La seconda generazione degli embedding testuali Titan\n\nAmazon Titan Text Embeddings V2 trasforma il testo in una rappresentazione numerica per la ricerca e altre attività basate sulla vicinanza di significato. Il modello è ottimizzato per recuperare frammenti pertinenti: l’utente pone una domanda con parole proprie e l’applicazione confronta il suo vettore con quelli dei materiali della base di conoscenza. Si possono così trovare le informazioni necessarie senza una corrispondenza esatta delle parole chiave.\n\nV2 si distingue da G1 per una rappresentazione standard più compatta: nella documentazione Amazon la dimensione predefinita del vettore è di **1 024 dimensioni**. Per l’applicazione è una caratteristica dei dati da conservare e confrontare. Tutte le voci di uno stesso indice devono usare un metodo di rappresentazione coerente; passando da un altro modello di embedding, l’indice va preparato nuovamente per il modello scelto.\n\n### Dove usarlo\n\n- **RAG e ricerca aziendale:** preparare i vettori delle sezioni della documentazione, poi recuperare i frammenti per un modello separato che risponde alla domanda.\n- **Similarità semantica:** confrontare testi con formulazioni diverse e trovare materiali vicini.\n- **Raggruppamento:** esplorare i temi di richieste, recensioni e documenti attraverso la vicinanza delle loro rappresentazioni.\n- **Ricerca nel codice:** costruire ricerche su codice sorgente e spiegazioni collegate.\n\nAmazon indica un addestramento di V2 su oltre 100 lingue naturali e 13 linguaggi di programmazione, tra cui Python, JavaScript, Java, C++, Rust, Go e SQL. Il modello è comunque ottimizzato soprattutto per il testo inglese. In una base multilingue è particolarmente utile verificare separatamente le richieste in cui la lingua della domanda differisce da quella dei documenti: la presenza delle lingue nell’addestramento non implica una qualità uguale per tutte queste combinazioni.\n\n### Uso in Ailoot\n\nSi fornisce testo in ingresso e si ottiene un **embedding** in uscita. Il limite di questa scheda è di **8 192 token in ingresso**. Per un indice di ricerca conviene dividere i materiali lunghi seguendo confini di significato: titoli, sezioni e paragrafi. Ogni frammento può poi essere memorizzato insieme al suo vettore e al riferimento alla fonte originale.\n\n### Ciclo pratico\n\nScegliere domande reali e risposte pertinenti dalla propria raccolta, creare gli embedding e verificare i risultati della ricerca. Modificare la dimensione dei frammenti e il metodo di confronto sullo stesso insieme, mantenendo il collegamento con il testo originale. Titan prepara le rappresentazioni numeriche; confronto, selezione dei risultati e composizione della risposta spettano alle fasi successive dell’applicazione. Questa verifica aiuta a scegliere le impostazioni dell’indice in base alla propria terminologia e struttura documentale.","alias_of":null,"aliases":[],"author":"Amazon","canonical_model":"amazon/titan-embed-text-v2","ctx":8192,"formats":["embeddings"],"id":"amazon/titan-embed-text-v2","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":0.04,"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-v2","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"amazon/titan-embed-text-v2","request_model_id":"amazon/titan-embed-text-v2","route_label":"Ultra"}],"name":"Amazon: Titan Text Embeddings V2","price":{"in":0.04,"in_label":null,"out":null,"out_label":null,"sort_in":0.04,"sort_out":null,"varies":false},"public_id":"amazon/titan-embed-text-v2","short":"Crea vettori testuali per RAG, ricerca semantica e raggruppamento, anche per la ricerca in materiali multilingue e codice."}