Amazon Titan Multimodal Embeddings G1 er en embeddingmodell fra Amazon med et felles representasjonsrom for tekst og bilder. I Ailoot gir dette modellkortet tilgang til en tekstbasert bruksmåte: Du sender inn en kort beskrivelse eller et søkeuttrykk og får tilbake en numerisk vektor. Den representerer tekstinnholdet i en form som applikasjonen kan sammenligne med andre kompatible vektorer.
Modellen kan inngå i katalogsøk, anbefalinger og personalisering. Beskrivelsen «rød reiseveske» blir for eksempel en søkevektor som applikasjonen bruker til å finne lignende oppføringer i en klargjort indeks. Søkeresultatet avhenger både av kataloginnholdet og av hvordan det er indeksert: En embedding representerer søket, mens søkesystemet setter sammen det endelige utvalget.
Denne Titan-versjonen er rettet mot et felles rom for tekstlige og visuelle data. En tekstvektor kan være nyttig i et system der kompatible representasjoner av objekter allerede er klargjort. Ved vanlig søk i tekstdokumenter er også fragmentlengden og språkets egnethet for oppgaven viktig: Produsenten beskriver G1 som en engelskspråklig modell med korte tekstinndata.
Indeksen og søket må bruke kompatible datarepresentasjoner. Før du fyller en stor katalog, er det nyttig å teste faktiske søkeuttrykk: meningslikhet, sjeldne egenskaper og situasjoner der lignende ord beskriver forskjellige objekter.
Metoden som er tilgjengelig her, tar imot tekst og returnerer en embedding. Inndatagrensen på dette modellkortet er 128 tokener. Denne operasjonen krever korte beskrivelser, og lange dokumenter bør deles opp i selvstendige innholdsfragmenter på forhånd. Opplasting av bilder, bildegenerering og videobehandling inngår ikke i metoden. Navnet Multimodal beskriver den opprinnelige modellen; bruksmåten på dette modellkortet er å lage en vektor fra tekst.
", "aboutText": "### Tekstinndata i et multimodalt rom\n\nAmazon Titan Multimodal Embeddings G1 er en embeddingmodell fra Amazon med et felles representasjonsrom for tekst og bilder. I Ailoot gir dette modellkortet tilgang til en tekstbasert bruksmåte: Du sender inn en kort beskrivelse eller et søkeuttrykk og får tilbake en numerisk vektor. Den representerer tekstinnholdet i en form som applikasjonen kan sammenligne med andre kompatible vektorer.\n\n### Egnede bruksområder\n\nModellen kan inngå i katalogsøk, anbefalinger og personalisering. Beskrivelsen «rød reiseveske» blir for eksempel en søkevektor som applikasjonen bruker til å finne lignende oppføringer i en klargjort indeks. Søkeresultatet avhenger både av kataloginnholdet og av hvordan det er indeksert: En embedding representerer søket, mens søkesystemet setter sammen det endelige utvalget.\n\nDenne Titan-versjonen er rettet mot et felles rom for tekstlige og visuelle data. En tekstvektor kan være nyttig i et system der kompatible representasjoner av objekter allerede er klargjort. Ved vanlig søk i tekstdokumenter er også fragmentlengden og språkets egnethet for oppgaven viktig: Produsenten beskriver G1 som en engelskspråklig modell med korte tekstinndata.\n\n### Slik legger du opp arbeidet\n\n1. Formuler ett objekt, én egenskap eller én søkeintensjon som et kort uttrykk.\n2. Hent en embedding for uttrykket.\n3. Sammenlign den med vektorene i indeksen din og velg relevante oppføringer.\n4. Send materialet videre, for eksempel til kataloggrensesnittet eller en egen modell som utarbeider et svar.\n\nIndeksen og søket må bruke kompatible datarepresentasjoner. Før du fyller en stor katalog, er det nyttig å teste faktiske søkeuttrykk: meningslikhet, sjeldne egenskaper og situasjoner der lignende ord beskriver forskjellige objekter.\n\n### Inndata og resultat i Ailoot\n\nMetoden som er tilgjengelig her, tar imot **tekst** og returnerer en **embedding**. Inndatagrensen på dette modellkortet er **128 tokener**. Denne operasjonen krever korte beskrivelser, og lange dokumenter bør deles opp i selvstendige innholdsfragmenter på forhånd. Opplasting av bilder, bildegenerering og videobehandling inngår ikke i metoden. Navnet Multimodal beskriver den opprinnelige modellen; bruksmåten på dette modellkortet er å lage en vektor fra tekst.", "locale": "nb", "methods": [ { "html": "POST /v1/embeddingstextembedding