Source: https://ailoot.ai/models/sk/amazon-titan-embed-text-v1/ Canonical: https://ailoot.ai/models/sk/amazon-titan-embed-text-v1/ Language: sk # Amazon: Titan Embeddings G1 - Text [Markdown](https://ailoot.ai/models/sk/amazon-titan-embed-text-v1/index.md) · [JSON](https://ailoot.ai/models/sk/amazon-titan-embed-text-v1/facts.json) ## [Amazon: Titan Embeddings G1 - Text](https://ailoot.ai/models/sk/amazon-titan-embed-text-v1/) `amazon/titan-embed-text-v1` AmazonEmbeddingyVstup 0,0002 USD / 1KVýstup — Prevádza text na 1536-rozmerné vektory na sémantické vyhľadávanie, výber podobných materiálov a zoskupovanie dokumentov. ### Význam textu v číselnom vektore 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. ### Vyhľadávanie, znalostná báza a zoskupovanie 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. ### Ako pripraviť materiály 1. Rozdeľte zbierku na zrozumiteľné úseky: sekcie, odseky alebo samostatné odpovede. 2. Získajte ich vektory a uchovajte prepojenie každého vektora s pôvodným textom. 3. Rovnakým spôsobom preveďte vyhľadávací dopyt. 4. Porovnajte ho s indexom a nájdené materiály vráťte používateľovi alebo ďalšiemu kroku spracovania. 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. ### Čím sa G1 odlišuje 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. ### Dostupné cez Ailoot API Vstup `text` Výstup `embedding` Kontext 8 192 *tokenov* Max. odpoveď V katalógu neuvedené Vstup 0,0002 USD */ 1K* `amazon/titan-embed-text-v1` · JSON ``` {"about":"### 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.","alias_of":null,"aliases":[],"author":"Amazon","canonical_model":"amazon/titan-embed-text-v1","ctx":8192,"formats":["embeddings"],"id":"amazon/titan-embed-text-v1","input":["text"],"kind":"embedding","max_out":0,"methods":[{"cache_read":null,"cache_write":null,"cache_write_1h":null,"cache_write_5m":null,"conditional_meter":null,"ctx":8192,"family":"openai","fast_multiplier":1,"flex_multiplier":1,"fmt":"embeddings","http":"POST","img_in":null,"img_out":null,"in":0.2,"input":["text"],"label":"Эмбеддинги","max_out":0,"max_tool_calls":null,"out":0,"output":["embedding"],"path":"/v1/embeddings","request_model_id":"amazon/titan-embed-text-v1","route_label":"Ultra","status_reads":[],"tiers":[],"tool_prices":null,"unit":"token","units":[]}],"model_aliases":[{"canonical_model_id":"amazon/titan-embed-text-v1","request_model_id":"amazon/titan-embed-text-v1","route_label":"Ultra"}],"name":"Amazon: Titan Embeddings G1 - Text","price":{"in":0.2,"in_label":null,"out":null,"out_label":null,"sort_in":0.2,"sort_out":null,"varies":false},"public_id":"amazon/titan-embed-text-v1","short":"Prevádza text na 1536-rozmerné vektory na sémantické vyhľadávanie, výber podobných materiálov a zoskupovanie dokumentov."} ``` ## Otázky Ako vybrať model pre svoju úlohu? Najprv určte požadovaný vstup a výstup: text, obrázok, zvuk alebo video. Potom porovnajte kompatibilné metódy API, presné ID modelu alebo aktuálny cieľ aliasu, cenu a účtovaciu jednotku. Bezplatné GET /v1/models zobrazí modely dostupné vášmu kľúču. Podporuje každý model všetky metódy API a typy médií? Používajte metódy API a typy vstupu a výstupu uvedené na karte modelu. Podpora textu, obrázkov, zvuku či videa závisí od vybraného modelu a metódy; pred odoslaním údajov si pozrite príslušný príklad požiadavky. Aký je rozdiel medzi ID modelu a aliasom? Presné ID označuje konkrétny model. Alias odkazuje na model a jeho cieľ sa môže meniť. Overte aktuálny cieľ aliasu v katalógu; ak integrácia potrebuje konkrétny model, použite presné ID. Ako porovnať ceny pred odoslaním požiadavky? Na karte modelu skontrolujte cenu a účtovaciu jednotku zvolenej metódy API. Porovnávajte rovnakú jednotku a typ vstupu a výstupu; história požiadaviek uvádza skutočné využitie a odúčtovanú sumu. Čo poskytuje predplatné? Zľavu na nákup tokenov na pravidelnú prácu. Vyberte tarifu podľa objemu požiadaviek; podmienky a cena predplatného sa zobrazia pri objednaní. Ako použijem promo kód na zľavu až 50%? Promo kód zadajte pri nákupe tokenov. Výsledná suma sa prepočíta podľa podmienok akcie; výška zľavy je viditeľná pred platbou. ## Ailoot · Spoločnosť a jej portfólio projektov Ailoot stavia na dlhodobých prevádzkových skúsenostiach, širokej klientskej základni, stabilných službách a priebežnom sledovaní KPI. Spoločnosť a jej portfólio projektov: milióny zákazníkov; mesačné tržby v miliardách. Ailoot využíva tieto prevádzkové skúsenosti na poskytovanie prístupu cez API k funkciám AI v produktoch zákazníkov, agentoch, aplikáciách a automatizáciách.