Amazon Titan Multimodal Embeddings G1は、テキストと画像に共通の表現空間を使うAmazonの埋め込みモデルです。Ailootのこのモデルカードではテキストを扱います。短い説明文や検索語句を入力すると数値ベクトルが返され、アプリケーションはその内容を互換性のある別のベクトルと比較できます。
商品カタログの検索、推薦、パーソナライズの一部に利用できます。例えば「旅行用の赤いバッグ」という説明を検索ベクトルに変換し、アプリケーションが準備済みのインデックスから近い項目を探します。検索結果はカタログの内容と索引の作り方にも左右されます。埋め込みは検索要求の表現であり、実際の候補選びは検索システムが行います。
このTitanの特徴は、テキストと視覚データの共通空間を重視していることです。対象物の互換性のある表現が既に用意されているシステムで、テキストベクトルを活用できます。通常の文書検索では、文章を区切る長さや対象言語との適合性も重要です。AmazonはG1を、短いテキスト入力を扱う英語モデルとして説明しています。
インデックスと検索要求には互換性のあるデータ表現が必要です。大量の商品を登録する前に、実際の検索語句で意味の一致、珍しい特徴、似た単語が異なる対象を示す場合を確認すると役立ちます。
ここで利用できるメソッドはテキストを受け取り、埋め込みを返します。このモデルカードの入力上限は128トークンです。短い説明を使い、長い文書はあらかじめ意味のまとまりに分割してください。このメソッドには画像のアップロード、画像生成、動画処理は含まれません。Multimodalという名前は元のモデルの性質を示し、このモデルカードで利用できるのはテキストからベクトルを作る処理です。
", "aboutText": "### マルチモーダル空間へのテキスト入力\n\nAmazon Titan Multimodal Embeddings G1は、テキストと画像に共通の表現空間を使うAmazonの埋め込みモデルです。Ailootのこのモデルカードではテキストを扱います。短い説明文や検索語句を入力すると数値ベクトルが返され、アプリケーションはその内容を互換性のある別のベクトルと比較できます。\n\n### 適した用途\n\n商品カタログの検索、推薦、パーソナライズの一部に利用できます。例えば「旅行用の赤いバッグ」という説明を検索ベクトルに変換し、アプリケーションが準備済みのインデックスから近い項目を探します。検索結果はカタログの内容と索引の作り方にも左右されます。埋め込みは検索要求の表現であり、実際の候補選びは検索システムが行います。\n\nこのTitanの特徴は、テキストと視覚データの共通空間を重視していることです。対象物の互換性のある表現が既に用意されているシステムで、テキストベクトルを活用できます。通常の文書検索では、文章を区切る長さや対象言語との適合性も重要です。AmazonはG1を、短いテキスト入力を扱う英語モデルとして説明しています。\n\n### 作業の進め方\n\n1. 探したい物、特徴、意図のいずれかを短い語句で表します。\n2. その語句の埋め込みを取得します。\n3. 自分のインデックスのベクトルと比較し、適切な項目を選びます。\n4. 見つかった資料をカタログ画面や、回答を作成する別のモデルなどへ渡します。\n\nインデックスと検索要求には互換性のあるデータ表現が必要です。大量の商品を登録する前に、実際の検索語句で意味の一致、珍しい特徴、似た単語が異なる対象を示す場合を確認すると役立ちます。\n\n### Ailootでの入力と出力\n\nここで利用できるメソッドは**テキスト**を受け取り、**埋め込み**を返します。このモデルカードの入力上限は**128トークン**です。短い説明を使い、長い文書はあらかじめ意味のまとまりに分割してください。このメソッドには画像のアップロード、画像生成、動画処理は含まれません。Multimodalという名前は元のモデルの性質を示し、このモデルカードで利用できるのはテキストからベクトルを作る処理です。", "locale": "ja", "methods": [ { "html": "POST /v1/embeddingstextembedding