Umieszczanie w interfejsie Gemini API

Model text-embedding-004 generuje najnowocześniejsze wektory w przypadku słów, wyrażeń i zdań. Uzyskane w ten sposób ujęcia można następnie wykorzystać do wielu zadań, takich jak wyszukiwanie semantyczne, klasyfikacja tekstu czy grupowanie. Więcej informacji o wektorach znajdziesz w naszym artykule naukowym.

Czym są wbudowane dane?

Reprezentacje właściwościowe uchwytują znaczenie semantyczne i kontekst, dzięki czemu teksty o podobnym znaczeniu mają „bliższe” reprezentacje. Na przykład zdania „Zabiorę psa do weterynarza” i „Zabiorę kota do weterynarza” będą miały wbudowane elementy, które są blisko siebie w przestrzeni wektorów, ponieważ oba opisują podobny kontekst.

Dzięki osadzeniu możesz porównywać różne teksty i poznawać ich wzajemne relacje. Jeśli na przykład kody uczenia głębokiego tekstu „kot” i „pies” są blisko siebie, można wywnioskować, że te słowa są podobne pod względem znaczenia, kontekstu lub obu tych czynników. Umożliwia to stosowanie AI w różnych typowych przypadkach.

Generowanie wektorów

Aby wygenerować ukryte reprezentacje tekstu, użyj metody embedContent:

import google.generativeai as genai
import os

genai.configure(api_key=os.environ["GEMINI_API_KEY"])

result = genai.embed_content(
        model="models/text-embedding-004",
        content="What is the meaning of life?")

print(str(result['embedding']))

const { GoogleGenerativeAI } = require("@google/generative-ai");

const genAI = new GoogleGenerativeAI(process.env.GEMINI_API_KEY);
const model = genAI.getGenerativeModel({ model: "text-embedding-004"});

async function run() {
    const result = await model.embedContent("What is the meaning of life?");
    console.log(result.embedding.values);
}

run();

curl "https://generativelanguage.googleapis.com/v1beta/models/text-embedding-004:embedContent?key=$GEMINI_API_KEY" \
-H 'Content-Type: application/json' \
-d '{"model": "models/text-embedding-004",
     "content": {
     "parts":[{
     "text": "What is the meaning of life?"}]}
    }'

ctx := context.Background()

client, err := genai.NewClient(ctx, option.WithAPIKey(os.Getenv("GEMINI_API_KEY")))
if err != nil {
    log.Fatal(err)
}
defer client.Close()

em := client.EmbeddingModel("text-embedding-004")
res, err := em.EmbedContent(ctx, genai.Text("What is the meaning of life?"))

if err != nil {
    panic(err)
}
fmt.Println(res.Embedding.Values)

Przypadki użycia

Węzły tekstowe są używane w różnych typowych przypadkach użycia AI, takich jak:

• Wyszukiwanie informacji: dzięki wektorom dystrybucyjnym możesz pobrać tekst semantycznie podobny do podanego przez użytkownika.

  Tutorial wyszukiwania dokumentówtask

• Klasteryzacja: porównanie grup wektorów zagęszczenia może pomóc w identyfikacji ukrytych trendów.

  Wbudowanie grupowaniabubble_chart

• Baza danych wektorów: podczas wdrażania różnych zastosowań wektorów dystrybucyjnych w produkcji często przechowuje się wektory w bazie danych wektorów.

  Samouczek dotyczący bazy danych wektorowychbolt

• Klasyfikacja: możesz trenować model za pomocą wektorów zastępczych, aby klasyfikować dokumenty według kategorii.

  Samouczek dotyczący klasyfikacjitoken

Modele wektorów dystrybucyjnych Gemini

Gemini API udostępnia 2 modele, które generują wektory dystrybucyjne tekstu:

• Wektory dystrybucyjne tekstu
• Umieszczanie

Tekstowe wektory dystrybucyjne to zaktualizowana wersja modelu wektorów dystrybucyjnych, która zapewnia elastyczne rozmiary wektorów do 768 wymiarów. Elastyczne zanurzone generują mniejsze wymiary wyjściowe i potencjalnie pozwalają zaoszczędzić na kosztach przetwarzania i przechowywania przy niewielkiej utracie wydajności.

Używaj wbudowanego tekstu w przypadku nowych projektów lub zastosowań.