Einbettungen sind numerische Darstellungen von Text, Bildern oder Videos, die Beziehungen zwischen Eingaben aufnehmen. Modelle für maschinelles Lernen, insbesondere Modelle für generative KI, eignen sich zum Erstellen von Einbettungen, indem sie Muster in großen Datasets erkennen. Anwendungen können Einbettungen verwenden, um Sprache zu verarbeiten und zu erzeugen und komplexe Bedeutungen und semantische Beziehungen zu erkennen, die für Ihre Inhalte spezifisch sind.
Vertex AI in Google Distributed Cloud (GDC) air-gapped unterstützt Text Embedding APIs für englische und mehrsprachige Texteingaben. Bei der Texteinbettung wird Text in Arrays von Gleitkommazahlen umgewandelt, die als Vektoren bezeichnet werden. Diese Vektoren sind so konzipiert, dass sie die Bedeutung des Texts erfassen. Die Länge des Einbettungsarrays wird als Dimensionalität des Vektors bezeichnet. So kann beispielsweise eine Textpassage durch einen Vektor mit Hunderten von Dimensionen dargestellt werden. Durch die Berechnung des numerischen Abstands zwischen den Vektordarstellungen von zwei Texten kann eine Anwendung die Ähnlichkeit zwischen den Objekten bestimmen.
Eine Liste der unterstützten Modelle finden Sie unter Einbettungsmodelle.
Eine Liste der unterstützten mehrsprachigen Sprachen finden Sie unter Unterstützte Sprachen für Texteinbettungen.
Anwendungsfälle für Texteinbettungen
Typische Anwendungsfälle für Texteinbettungen:
- Semantische Suche: Suchtext, geordnet nach der semantischen Ähnlichkeit.
- Klassifizierung: Gibt die Klasse von Elementen mit Attributen zurück, die dem angegebenen Text ähneln.
- Clustering: Clusterelemente, deren Textattribute dem angegebenen Text ähneln.
- Ausreißererkennung: Gibt Elemente zurück, bei denen Textattribute am wenigsten mit dem angegebenen Text zusammenhängen.
- Unterhaltungsschnittstelle: Gruppiert Gruppen von Sätzen, die zu ähnlichen Antworten führen können, z. B. in einem Einbettungsbereich auf Unterhaltungsebene.
Beispiel für einen Anwendungsfall: Entwicklung eines Chatbots für Buchempfehlungen
Wenn Sie einen Chatbot für Buchempfehlungen entwickeln möchten, müssen Sie zuerst ein neuronales Deep-Learning-Netzwerk (DNN, Deep Neural Network) verwenden, um die einzelnen Bücher in Einbettungsvektoren umzuwandeln, wobei ein Einbettungsvektor ein Buch darstellt. Sie können den Buchtitel oder den Textinhalt als Eingabe in das DNN eingeben. Alternativ können Sie beide Eingaben zusammen mit anderen Metadaten verwenden, die das Buch beschreiben, z. B. das Genre.
Die Einbettungen in diesem Beispiel könnten Tausende von Buchtiteln mit Zusammenfassungen und ihrem Genre enthalten. Möglicherweise gibt es Darstellungen für Bücher wie Sturmhöhe von Emily Brontë und Anne Elliot von Jane Austen, die sich gegenseitig ähneln (kleine Entfernung zwischen numerischer Darstellung). Die numerische Darstellung für das Buch Der große Gatsby von F. Scott Fitzgerald wäre weiter entfernt, da Zeitraum, Genre und Zusammenfassung weniger ähnlich sind.
Die Eingaben stellen den wichtigsten Einfluss auf die Ausrichtung des Einbettungsbereichs dar. Wenn wir beispielsweise nur Buchtitel als Eingabe haben, können zwei Bücher mit ähnlichen Titeln, aber sehr unterschiedlichen Zusammenfassungen nahe beieinander liegen. Wenn wir jedoch den Titel und die Zusammenfassung einschließen, sind diese Bücher im Einbettungsbereich weniger ähnlich (weiter entfernt).
Wenn dieser Chatbot mit generativer KI arbeitet, kann er anhand Ihrer Abfrage Bücher zusammenfassen, vorschlagen und Ihnen Bücher anzeigen, die Ihnen gefallen oder nicht gefallen könnten.