O Amazon Titan Multimodal Embeddings G1 é um modelo de embeddings da Amazon com um espaço de representação comum para texto e imagens. Na Ailoot, esta ficha disponibiliza um cenário de utilização com texto: envia uma descrição curta ou uma expressão de pesquisa e recebe um vetor numérico. Este representa o conteúdo do texto de uma forma que a aplicação pode comparar com outros vetores compatíveis.
O modelo pode integrar sistemas de pesquisa em catálogos, recomendações e personalização. Por exemplo, a descrição «mala vermelha para viagens» transforma-se num vetor de pesquisa que a sua aplicação utiliza para encontrar registos próximos num índice previamente preparado. O resultado depende tanto do conteúdo do catálogo como da forma de o indexar: o embedding representa a consulta e o sistema de pesquisa constrói a seleção de resultados.
Esta versão do Titan distingue-se pela orientação para um espaço comum de dados textuais e visuais. Um vetor de texto pode ser útil num sistema em que já existam representações compatíveis dos objetos. Na pesquisa habitual de documentos de texto, também importam a extensão do excerto e a adequação do idioma à tarefa: o fabricante descreve o G1 como um modelo em inglês com entradas de texto curtas.
O índice e a consulta devem utilizar representações de dados compatíveis. Antes de preencher um catálogo extenso, convém testar expressões de pesquisa reais: correspondência de significado, características raras e situações em que palavras semelhantes descrevem objetos diferentes.
O método aqui disponível recebe texto e devolve um embedding; o limite de entrada desta ficha é de 128 tokens. Esta operação requer descrições curtas; é preferível dividir previamente um documento longo em excertos com significado próprio. Este método não inclui o carregamento de imagens, a criação de imagens nem o trabalho com vídeo. O nome Multimodal descreve o modelo original, enquanto a utilização disponível nesta ficha consiste em criar um vetor a partir de texto.
", "aboutText": "### Entrada de texto num espaço multimodal\n\nO Amazon Titan Multimodal Embeddings G1 é um modelo de embeddings da Amazon com um espaço de representação comum para texto e imagens. Na Ailoot, esta ficha disponibiliza um cenário de utilização com texto: envia uma descrição curta ou uma expressão de pesquisa e recebe um vetor numérico. Este representa o conteúdo do texto de uma forma que a aplicação pode comparar com outros vetores compatíveis.\n\n### A que tarefas se destina\n\nO modelo pode integrar sistemas de pesquisa em catálogos, recomendações e personalização. Por exemplo, a descrição «mala vermelha para viagens» transforma-se num vetor de pesquisa que a sua aplicação utiliza para encontrar registos próximos num índice previamente preparado. O resultado depende tanto do conteúdo do catálogo como da forma de o indexar: o embedding representa a consulta e o sistema de pesquisa constrói a seleção de resultados.\n\nEsta versão do Titan distingue-se pela orientação para um espaço comum de dados textuais e visuais. Um vetor de texto pode ser útil num sistema em que já existam representações compatíveis dos objetos. Na pesquisa habitual de documentos de texto, também importam a extensão do excerto e a adequação do idioma à tarefa: o fabricante descreve o G1 como um modelo em inglês com entradas de texto curtas.\n\n### Como organizar o trabalho\n\n1. Formule um objeto, uma propriedade ou uma intenção de pesquisa numa expressão curta.\n2. Obtenha o embedding dessa expressão.\n3. Compare-o com os vetores do seu índice e selecione os registos relevantes.\n4. Encaminhe os materiais encontrados para o passo seguinte, por exemplo, a interface do catálogo ou outro modelo que redija a resposta.\n\nO índice e a consulta devem utilizar representações de dados compatíveis. Antes de preencher um catálogo extenso, convém testar expressões de pesquisa reais: correspondência de significado, características raras e situações em que palavras semelhantes descrevem objetos diferentes.\n\n### Entrada e resultado na Ailoot\n\nO método aqui disponível recebe **texto** e devolve um **embedding**; o limite de entrada desta ficha é de **128 tokens**. Esta operação requer descrições curtas; é preferível dividir previamente um documento longo em excertos com significado próprio. Este método não inclui o carregamento de imagens, a criação de imagens nem o trabalho com vídeo. O nome Multimodal descreve o modelo original, enquanto a utilização disponível nesta ficha consiste em criar um vetor a partir de texto.", "locale": "pt-pt", "methods": [ { "html": "POST /v1/embeddingstextembedding