Amazon Titan umfasst Embeddingmodelle und Bildmodelle in Bedrock.
Verschiedene Modelle in einer Familie
Amazon Titan ist eine AWS Modellfamilie in Amazon Bedrock. Der aktuelle Überblick nennt Textembeddings, multimodale Embeddings und Bilderzeugung. Dies ist kein einzelner Chat mit einheitlichen Fähigkeiten. Wählen Sie das Modell nach Eingabe und Ergebnis, und prüfen Sie Kennung und Verfügbarkeit in der Zielumgebung.
Ein Embeddingmodell wandelt Text in Zahlen um, die semantische Merkmale abbilden. Es beantwortet keine Nutzerfrage und durchsucht keine Datenbank selbst. Andere Anwendungsteile vergleichen Vektoren und liefern passende Passagen. Diese Grenze ist für die Suche in internen Anleitungen und Verzeichnissen wichtig.
Ein kleines Beispiel zur Wissenssuche
Nehmen Sie eigene Leistungsbeschreibungen und Fragen in derselben Sprache. Erzeugen Sie ihre Embeddings mit demselben Modell und vergleichen Sie diese in der Anwendung. Jeder Vektor muss mit seinem Originaltext verbunden bleiben, damit sich Ähnlichkeit inhaltlich prüfen lässt.
Testen Sie eine Verneinung und ähnliche Beschreibungen mit verschiedenen Bedingungen. Der nächste Vektor ist nicht zwingend die richtige fachliche Antwort. Vollständige Suche braucht Auswahl, Berechtigungsprüfung und eigene Qualitätsbewertung. Auch sprachübergreifende Anfragen haben dokumentierte Grenzen: Ähnliche Themen müssen nicht in jeder Sprache gleich gut gefunden werden.
Was zum Index gehört
Speichern Sie Modellkennung, Dimension und Aufteilungsregel neben den Vektoren. Eine spätere Änderung kann alte und neue Einträge unvergleichbar machen. Der Aktualisierungsplan sollte vor dem Laden aller Dokumente feststehen.
Bewahren Sie Quelle und Fassung jeder Passage auf. Sonst kann ein semantischer Treffer eine längst aufgehobene Regel liefern. Aktualität und Benutzerrechte kontrolliert die Suchanwendung. Das Embeddingmodell entscheidet nicht, welches Dokument eine Person sehen darf.
Zugang und technische Grenzen
Bedrock erlaubt programmatische Modellaufrufe. Kosten entstehen nicht nur bei der abschließenden Antwort, sondern auch beim Indexieren, Wiederholen und durch die Modellwahl. Bestimmen Sie vor großen Archiven die nötigen Passagen und deren Aktualisierung bei Quellenänderungen.
Modelle unterscheiden sich bei Eingabegrenzen, Ergebnisdimension und Aufrufarten. Vektoren verschiedener Modelle oder Dimensionen dürfen nicht wahllos gemischt werden. Bilderzeugung benötigt andere Eingaben und Bewertung. Ein Suchbeispiel belegt keine Bildqualität und ein Bildbeispiel keine Suchzuverlässigkeit.
Für welche Aufgaben geeignet
- Semantische Suche über eigene Texte aufbauen
- Embeddings für die Datenverarbeitung erzeugen
- Bildmodelle über Bedrock verbinden
Stärken
- Eine dokumentierte AWS-Modellfamilie
- Einbindung in die Amazon Bedrock Infrastruktur
Einschränkungen
- Embeddings erzeugen allein keine fertige Antwort
- Grenzen hängen von Modell, Region und Aufrufart ab
Auswahl und Bedingungen
- Kostenlose Nutzung
- Nicht bestätigt
- Testphase
- Nicht bestätigt
- Keine Registrierung erforderlich
- Nicht bestätigt
- Russische Benutzeroberfläche
- Nicht bestätigt
- Lokale Installation
- Nicht bestätigt
- API
- Ja
„Nicht bestätigt“ bedeutet, dass nicht genügend Informationen vorliegen. Die Funktion kann dennoch verfügbar sein; prüfen Sie die Angaben des Entwicklers.
- Eingabeformate
- Text, Bild
- Ergebnis
- Embedding, Bild
Bedingungen
Ein Modellzugang in Bedrock ist nötig. Embeddings, Bildmodelle und Ausführungsarten unterscheiden sich; Aufrufe und Infrastruktur kosten separat, sprachübergreifende Suche ist zu testen.Von der Aufgabe zum ersten Ergebnis
Praxisbeispiel
- Aufgabe
- Semantische Suche über eigene Texte aufbauen
- Was Sie vorbereiten sollten
- Zwei eigene kurze Texte und einige Suchfragen in einer Sprache.
Aufgabenbeschreibung oder Prompt
Aufgabe für die Anwendung: Embeddings für Texte und Suchanfragen erzeugen, jeden Vektor mit seiner Textpassage verknüpfen und Ähnlichkeit vergleichen. Zur gefundenen Passage den Originaltext zeigen; das Embeddingmodell selbst schreibt keine Antwort.
Erwartetes Ergebnis
Numerische Darstellungen und überprüfbare Ausgabe ähnlicher Textpassagen, sofern die Anwendung die Suche umsetzt.
So prüfen Sie das Ergebnis
- Prüfen Sie den Bezug des Ergebnisses zum Originaltext.
- Vergleichen Sie Vektoren desselben Modells mit gleicher Dimension; Verneinungen und sprachübergreifende Suche separat prüfen.
Ein redaktionelles Lernbeispiel für eine Aufgabenbeschreibung, kein Ergebnis eines eigenen Praxistests des Dienstes. Prüfen Sie die Verfügbarkeit des benötigten Modus, die Rechte am Ausgangsmaterial und die Bedingungen für die Nutzung des Ergebnisses.
Details überprüfen
Offizielle Quellen
Die Beschreibung basiert auf den Materialien des Entwicklers. Die Funktionen, Preise und Verfügbarkeit können variieren. Bitte überprüfen Sie die Quelle vor der Verwendung.
