Amazon Titan Text Embeddings V2 omvandlar text till en numerisk representation för sökning och andra uppgifter som bygger på semantisk närhet. Modellen är optimerad för att hämta relevanta avsnitt: användaren ställer en fråga med egna ord, och applikationen jämför frågans vektor med vektorerna för materialet i kunskapsbasen. På så sätt går det att hitta information utan att nyckelorden måste överensstämma exakt.
V2 skiljer sig från G1 genom en mer kompakt standardrepresentation: i Amazons dokumentation har vektorn som standard 1 024 dimensioner. För applikationen är detta en egenskap hos de data som lagras och jämförs. Alla poster i samma index måste använda en konsekvent representation; vid byte från en annan embeddingmodell byggs indexet om för den valda modellen.
Amazon anger att V2 tränats på fler än 100 naturliga språk och 13 programmeringsspråk, bland annat Python, JavaScript, Java, C++, Rust, Go och SQL. Modellen är ändå främst optimerad för engelsk text. I en flerspråkig databas är det särskilt bra att testa frågor där frågans språk skiljer sig från dokumentens: att språk ingår i träningen innebär inte samma kvalitet för alla sådana kombinationer.
Indata är text och utdata en embedding. Gränsen i det här modellkortet är 8 192 indatatoken. För ett sökindex kan långa material med fördel delas vid meningsbärande gränser: rubriker, avsnitt och stycken. Varje del kan sedan lagras tillsammans med sin vektor och en hänvisning till ursprungskällan.
Välj verkliga frågor och relevanta svar ur din samling, skapa embeddings och kontrollera sökresultaten. Ändra avsnittsstorleken och jämförelsemetoden på samma underlag och bevara kopplingen till källtexten. Titan skapar numeriska representationer; jämförelse, urval och svarsformulering sker i applikationens följande steg. Den här kontrollen hjälper dig att anpassa indexets inställningar efter din terminologi och dokumentstruktur.
", "aboutText": "### Andra generationen av Titans textembeddings\n\nAmazon Titan Text Embeddings V2 omvandlar text till en numerisk representation för sökning och andra uppgifter som bygger på semantisk närhet. Modellen är optimerad för att hämta relevanta avsnitt: användaren ställer en fråga med egna ord, och applikationen jämför frågans vektor med vektorerna för materialet i kunskapsbasen. På så sätt går det att hitta information utan att nyckelorden måste överensstämma exakt.\n\nV2 skiljer sig från G1 genom en mer kompakt standardrepresentation: i Amazons dokumentation har vektorn som standard **1 024 dimensioner**. För applikationen är detta en egenskap hos de data som lagras och jämförs. Alla poster i samma index måste använda en konsekvent representation; vid byte från en annan embeddingmodell byggs indexet om för den valda modellen.\n\n### Användningsområden\n\n- **RAG och företagssökning:** skapa vektorer för dokumentationsavsnitt och hämta sedan avsnitt åt en separat modell som besvarar frågan.\n- **Semantisk likhet:** jämför texter med olika formuleringar och hitta närliggande material.\n- **Gruppering:** undersök teman i ärenden, omdömen och dokument utifrån närheten mellan deras representationer.\n- **Kodsökning:** bygg sökflöden för källkod och tillhörande förklaringar.\n\nAmazon anger att V2 tränats på fler än 100 naturliga språk och 13 programmeringsspråk, bland annat Python, JavaScript, Java, C++, Rust, Go och SQL. Modellen är ändå främst optimerad för engelsk text. I en flerspråkig databas är det särskilt bra att testa frågor där frågans språk skiljer sig från dokumentens: att språk ingår i träningen innebär inte samma kvalitet för alla sådana kombinationer.\n\n### Användning i Ailoot API\n\nIndata är text och utdata en **embedding**. Gränsen i det här modellkortet är **8 192 indatatoken**. För ett sökindex kan långa material med fördel delas vid meningsbärande gränser: rubriker, avsnitt och stycken. Varje del kan sedan lagras tillsammans med sin vektor och en hänvisning till ursprungskällan.\n\n### Praktiskt arbetsflöde\n\nVälj verkliga frågor och relevanta svar ur din samling, skapa embeddings och kontrollera sökresultaten. Ändra avsnittsstorleken och jämförelsemetoden på samma underlag och bevara kopplingen till källtexten. Titan skapar numeriska representationer; jämförelse, urval och svarsformulering sker i applikationens följande steg. Den här kontrollen hjälper dig att anpassa indexets inställningar efter din terminologi och dokumentstruktur.", "locale": "sv", "methods": [ { "html": "POST /v1/embeddingstextembedding