Amazon Titan Multimodal Embeddings G1 to model embeddingowy Amazon ze wspólną przestrzenią reprezentacji tekstu i obrazów. W Ailoot ta karta udostępnia scenariusz tekstowy: przekazujesz krótki opis lub frazę wyszukiwania i otrzymujesz wektor liczbowy. Przedstawia on treść tekstu w postaci, którą aplikacja może porównywać z innymi zgodnymi wektorami.
Model może być elementem wyszukiwania w katalogu, rekomendacji i personalizacji. Na przykład opis „czerwona torba podróżna” staje się wektorem zapytania, za pomocą którego aplikacja szuka podobnych wpisów w przygotowanym indeksie. Wynik zależy zarówno od zawartości katalogu, jak i sposobu indeksowania: embedding reprezentuje zapytanie, a gotowy wybór wyników tworzy wyszukiwarka.
Cechą tej wersji Titan jest wspólna przestrzeń danych tekstowych i wizualnych. Wektor tekstowy może przydać się w systemie, w którym przygotowano już zgodne reprezentacje obiektów. W zwykłym wyszukiwaniu dokumentów tekstowych znaczenie mają także długość fragmentu i dopasowanie języka do zadania: producent opisuje G1 jako model anglojęzyczny z krótkim wejściem tekstowym.
Indeks i zapytanie muszą korzystać ze zgodnej reprezentacji danych. Przed zapełnieniem dużego katalogu warto sprawdzić rzeczywiste frazy wyszukiwania: zgodność znaczenia, rzadkie cechy oraz sytuacje, gdy podobne słowa opisują różne obiekty.
Dostępna tutaj metoda przyjmuje tekst i zwraca embedding; limit wejścia tej karty wynosi 128 tokenów. Operacja wymaga krótkich opisów, dlatego długi dokument najlepiej wcześniej podzielić na osobne fragmenty znaczeniowe. Przesyłanie obrazów, generowanie grafik i obsługa wideo nie należą do tej metody. Nazwa Multimodal opisuje model źródłowy, natomiast scenariusz dostępny w tej karcie polega na tworzeniu wektora z tekstu.
", "aboutText": "### Tekst na wejściu do przestrzeni multimodalnej\n\nAmazon Titan Multimodal Embeddings G1 to model embeddingowy Amazon ze wspólną przestrzenią reprezentacji tekstu i obrazów. W Ailoot ta karta udostępnia scenariusz tekstowy: przekazujesz krótki opis lub frazę wyszukiwania i otrzymujesz wektor liczbowy. Przedstawia on treść tekstu w postaci, którą aplikacja może porównywać z innymi zgodnymi wektorami.\n\n### Do jakich zadań się nadaje\n\nModel może być elementem wyszukiwania w katalogu, rekomendacji i personalizacji. Na przykład opis „czerwona torba podróżna” staje się wektorem zapytania, za pomocą którego aplikacja szuka podobnych wpisów w przygotowanym indeksie. Wynik zależy zarówno od zawartości katalogu, jak i sposobu indeksowania: embedding reprezentuje zapytanie, a gotowy wybór wyników tworzy wyszukiwarka.\n\nCechą tej wersji Titan jest wspólna przestrzeń danych tekstowych i wizualnych. Wektor tekstowy może przydać się w systemie, w którym przygotowano już zgodne reprezentacje obiektów. W zwykłym wyszukiwaniu dokumentów tekstowych znaczenie mają także długość fragmentu i dopasowanie języka do zadania: producent opisuje G1 jako model anglojęzyczny z krótkim wejściem tekstowym.\n\n### Jak zorganizować pracę\n\n1. Opisz jeden przedmiot, cechę lub zamiar wyszukiwania krótką frazą.\n2. Uzyskaj embedding tej frazy.\n3. Porównaj go z wektorami swojego indeksu i wybierz odpowiednie wpisy.\n4. Przekaż znalezione materiały dalej, na przykład do interfejsu katalogu lub osobnego modelu, który przygotuje odpowiedź.\n\nIndeks i zapytanie muszą korzystać ze zgodnej reprezentacji danych. Przed zapełnieniem dużego katalogu warto sprawdzić rzeczywiste frazy wyszukiwania: zgodność znaczenia, rzadkie cechy oraz sytuacje, gdy podobne słowa opisują różne obiekty.\n\n### Wejście i wynik w Ailoot\n\nDostępna tutaj metoda przyjmuje **tekst** i zwraca **embedding**; limit wejścia tej karty wynosi **128 tokenów**. Operacja wymaga krótkich opisów, dlatego długi dokument najlepiej wcześniej podzielić na osobne fragmenty znaczeniowe. Przesyłanie obrazów, generowanie grafik i obsługa wideo nie należą do tej metody. Nazwa Multimodal opisuje model źródłowy, natomiast scenariusz dostępny w tej karcie polega na tworzeniu wektora z tekstu.", "locale": "pl", "methods": [ { "html": "POST /v1/embeddingstextembedding