Amazon Titan Embeddings G1 je textový embeddingový model Amazonu, známy aj ako V1. Prevádza text na vektor z 1 536 čísel. Aplikácia tak môže porovnávať význam fráz a dokumentov aj pri odlišných slovách: napríklad k otázke o zmene platobných údajov nájsť návod na úpravu fakturačných údajov.
G1 sa hodí na prípravu textového indexu a vyhľadávacej reprezentácie používateľovho dopytu. V znalostnej báze ide o jeden krok RAG: najprv sa nájdu vhodné úseky a potom z nich samostatný jazykový model vytvorí odpoveď. Titan v tomto kroku vracia vektor; ukladanie dokumentov, výpočet podobnosti a zostavenie odpovede zabezpečuje aplikácia.
Ďalším použitím je zoskupovanie textov. Vektory umožňujú hľadať podobné požiadavky podpore, spájať materiály podľa tém alebo vyberať podobné dokumenty. Konkrétne kategórie a prahy podobnosti určuje pracovný postup; embedding ich neobsahuje ako hotové označenia.
V Ailoot je dostupný textový vstup do 8 192 tokenov a výsledok vo formáte embedding. Veľkosť úseku pre vyhľadávanie voľte podľa obsahu: jediný veľký vektor dokumentu môže zakryť rozdiely medzi jednotlivými otázkami, ktorým sa venuje. Pri zmene pôvodného textu aktualizujte aj jeho reprezentáciu v indexe.
Táto generácia Titan používa pevné 1536-rozmerné vyjadrenie. Amazon uvádza tréning na 25 prirodzených jazykoch a najpodrobnejšie testovanie v angličtine. Pre odborné termíny, nejednoznačné formulácie a iné jazyky sa hodí malá vlastná sada dopytov so známymi vhodnými dokumentmi. G1 je určený hlavne pre prirodzený text; nasledujúca generácia Titan má pre vyhľadávanie v zdrojovom kóde osobitné údaje o tréningu na programovacích jazykoch.
", "aboutText": "### Význam textu v číselnom vektore\n\nAmazon Titan Embeddings G1 je textový embeddingový model Amazonu, známy aj ako V1. Prevádza text na vektor z **1 536 čísel**. Aplikácia tak môže porovnávať význam fráz a dokumentov aj pri odlišných slovách: napríklad k otázke o zmene platobných údajov nájsť návod na úpravu fakturačných údajov.\n\n### Vyhľadávanie, znalostná báza a zoskupovanie\n\nG1 sa hodí na prípravu textového indexu a vyhľadávacej reprezentácie používateľovho dopytu. V znalostnej báze ide o jeden krok RAG: najprv sa nájdu vhodné úseky a potom z nich samostatný jazykový model vytvorí odpoveď. Titan v tomto kroku vracia vektor; ukladanie dokumentov, výpočet podobnosti a zostavenie odpovede zabezpečuje aplikácia.\n\nĎalším použitím je zoskupovanie textov. Vektory umožňujú hľadať podobné požiadavky podpore, spájať materiály podľa tém alebo vyberať podobné dokumenty. Konkrétne kategórie a prahy podobnosti určuje pracovný postup; embedding ich neobsahuje ako hotové označenia.\n\n### Ako pripraviť materiály\n\n1. Rozdeľte zbierku na zrozumiteľné úseky: sekcie, odseky alebo samostatné odpovede.\n2. Získajte ich vektory a uchovajte prepojenie každého vektora s pôvodným textom.\n3. Rovnakým spôsobom preveďte vyhľadávací dopyt.\n4. Porovnajte ho s indexom a nájdené materiály vráťte používateľovi alebo ďalšiemu kroku spracovania.\n\nV Ailoot je dostupný textový vstup do **8 192 tokenov** a výsledok vo formáte embedding. Veľkosť úseku pre vyhľadávanie voľte podľa obsahu: jediný veľký vektor dokumentu môže zakryť rozdiely medzi jednotlivými otázkami, ktorým sa venuje. Pri zmene pôvodného textu aktualizujte aj jeho reprezentáciu v indexe.\n\n### Čím sa G1 odlišuje\n\nTáto generácia Titan používa pevné 1536-rozmerné vyjadrenie. Amazon uvádza tréning na 25 prirodzených jazykoch a najpodrobnejšie testovanie v angličtine. Pre odborné termíny, nejednoznačné formulácie a iné jazyky sa hodí malá vlastná sada dopytov so známymi vhodnými dokumentmi. G1 je určený hlavne pre prirodzený text; nasledujúca generácia Titan má pre vyhľadávanie v zdrojovom kóde osobitné údaje o tréningu na programovacích jazykoch.", "locale": "sk", "methods": [ { "html": "POST /v1/embeddingstextembedding