Was ist Embedding
Das Embedding überträgt die Bedeutung eines Textes, eines Bildes oder eines anderen Gegenstandes in eine Zahlstelle. Objekte mit ähnlicher Bedeutung befinden sich in diesem Raum nahe voneinander. Dadurch kann man nach Sinn suchen, nicht nur nach der genauen Übereinstimmung der Wörter.
Wie es in der Praxis funktioniert
Eine Frage auf einem unüberträglichen dunkelblauen Mantel kann ein Produkt in anderen Worten finden, wenn das Modell eine ähnliche Bedeutung erkennt. Das gleiche Prinzip wird verwendet, wenn Sie Empfehlungen, Dokumenten zusammensetzen, ähnliche Bilder suchen und den AI Assistenten den Kontext ausfüllen.
Modell und Inhaltsabteilung
Das Modell wird nach Sprache, Datenart, Qualität und Kosten ausgewählt. Ein langes Dokument wird in logische Teile unterteilt, die Bedeutung und den nötigen Kontext erhalten müssen. Zu kleine Teile verlieren ihre Zusammenhänge, zu große Teile verschlechtern ihre Präzision und erhöhen ihre Kosten.
Index und Ähnlichkeit
Die Vektoren werden zusammen mit Metadaten und Berechtigungen in den Index gespeichert. Der Zugang zum Dokument wird überprüft, bevor das Ergebnis zurückgegeben wird, damit kein Semantik-Suchen fremde Daten zeigt.
Test und Aktualisierung
Die Genauigkeit der ersten Ergebnisse, die Abdeckung wichtiger Fragen, die Geschwindigkeit und die falsche Ähnlichkeit werden überprüft. Bei einer Modelländerung ist es normalerweise notwendig, den Index neu zu erstellen. Die Testsätze enthalten die üblichen Fragen, schwierige Ausnahmen und Fälle, in denen das Ergebnis nicht zurückgegeben werden muss.
Zugriff PAR HOUSE Agency
Wir setzen das Embedding erst ein, wenn wir einen spezifischen Prozess und eine messbare Qualität definiert haben. Wir reinigen die Ressourcen, wählen logische Teilung, Metadaten und Sicherheitsregeln. Wir vergleichen das Ergebnis mit dem üblichen und erweitern es nur, wenn es nachweislich bessere Antworten gibt.
