Gemini API'deki yerleştirme hizmeti kelimeler, ifadeler ve cümleler için son teknoloji ürünü yerleştirmeler oluşturur. Ortaya çıkan yerleştirmeler daha sonra semantik arama, metin sınıflandırma ve kümeleme gibi NLP görevlerinde kullanılabilir. Bu sayfada yerleştirmelerin ne olduğu açıklanmakta ve başlamanıza yardımcı olmak amacıyla yerleştirme hizmetinin bazı temel kullanım alanları vurgulanmaktadır.
Gömme nedir?
Metin yerleştirme, metni sayısal vektörlere dönüştüren doğal bir dil işleme (NLP) tekniğidir. Yerleştirmeler, anlamsal anlamı ve bağlamı yakalar. Böylece, benzer anlamlara sahip metinler, daha yakın yerleştirilmiş öğelere sahip olur. Örneğin, "Köpeğimi veterinere götürdüm" ve "Kedimi veterinere götürdüm" cümlesi, her ikisi de benzer bağlamı açıkladığından vektör alanında birbirine yakın yerleştirilmiş öğeler içerir.
Bu, vektörler üzerinde çalışabilen ancak doğrudan metin üzerinde çalışabilen birçok algoritmanın kilidini açtığı için önemlidir.
Bu yerleştirmeleri veya vektörleri, farklı metinleri karşılaştırmak ve aralarındaki ilişkiyi anlamak için kullanabilirsiniz. Örneğin, "kedi" ve "köpek" metinlerinin yerleştirmeleri birbirine yakınsa bu kelimelerin anlam veya bağlam olarak ya da her ikisinin de benzer olduğu sonucunu çıkarabilirsiniz. Bu özellik, bir sonraki bölümde açıklanan çeşitli kullanım alanlarına olanak tanır.
Kullanım alanları
Metin yerleştirmeleri çeşitli NLP kullanım alanlarını destekler. Örneğin:
- Bilgi Alma: Amaç, bir girdi metninden semantik olarak benzer olan metinleri almaktır. Anlamsal arama, soru yanıtlama veya özetleme gibi bir bilgi alma sistemiyle çeşitli uygulamalar desteklenebilir. Örnek için doküman arama not defterine bakın.
- Sınıflandırma: Belgeleri kategoriler halinde sınıflandırmak amacıyla bir modeli eğitmek için yerleştirmeleri kullanabilirsiniz. Örneğin, kullanıcı yorumlarını negatif veya pozitif olarak sınıflandırmak istiyorsanız sınıflandırıcıyı eğitmek üzere her yorumun vektör temsilini almak için yerleştirme hizmetini kullanabilirsiniz. Daha ayrıntılı bilgi için Gemini sınıflandırıcı örneğine bakın.
- Kümeleme: Metin vektörleri karşılaştırıldığında, bunların ne kadar benzer veya farklı oldukları görülebilir. Bu özellik, benzer metin veya belgeleri bir arada gruplandıran bir kümeleme modelini eğitmek ve verilerinizdeki anormallikleri tespit etmek için kullanılabilir.
- Vektör DB: NLP uygulamanızın doğruluğunu ve verimliliğini artırmak için, oluşturulan gömmelerinizi bir vektör veritabanında depolayabilirsiniz. Metin istemlerini sayısal vektörlere çevirmek için vektör DB kullanmayı öğrenmek istiyorsanız bu sayfaya bakın.
Elastik yerleştirmeler
text-embedding-004
ile başlayan Gemini Metin Yerleştirme modeli, 768'in altında esnek yerleştirme boyutları sunar. Esnek yerleştirmeleri kullanarak daha küçük çıktı boyutları oluşturabilir, bilgi işlem ve depolama maliyetlerinden küçük bir performans kaybıyla tasarruf sağlayabilirsiniz.
Sırada ne var?
- Geliştirmeye hazırsanız Python, Go, Node.js ve Dart (Flutter) hızlı başlangıç kılavuzlarında çalıştırılabilir kodun tamamını bulabilirsiniz.