Amazon Titan.

Différents modèles sous un même nom

Amazon Titan est une famille AWS accessible via Amazon Bedrock. L’aperçu actuel présente embeddings textuels, embeddings multimodaux et génération d’images. Les modèles ne forment pas un chatbot aux fonctions uniformes. Choisissez celui qui correspond à votre entrée et résultat, puis vérifiez identifiant et disponibilité dans l’environnement prévu.

Un modèle d’embeddings transforme le texte en nombres représentant ses caractéristiques sémantiques. Il ne répond pas directement à l’utilisateur et ne recherche pas seul les documents. La comparaison des vecteurs et la sélection des passages appartiennent à l’application. Cette distinction compte notamment pour les guides internes.

Exemple de recherche sur une base de connaissances courte

Pour l’exercice, prenez quelques descriptions de services et questions dans la même langue. Produisez leurs embeddings avec le même modèle, puis comparez-les dans l’application. Reliez chaque vecteur à sa source pour pouvoir vérifier le sens de la correspondance trouvée.

Testez une question négative et deux descriptions proches aux conditions différentes. Le vecteur le plus proche n’est pas forcément la bonne réponse. Une recherche complète demande sélection des passages, contrôle d’accès et évaluation propre. La documentation signale aussi des limites entre langues : des sujets proches ne donnent pas nécessairement une recherche de qualité égale.

Ce qu'il faut conserver avec l'index

Conservez vecteurs, identifiant du modèle, dimensions et règle de découpage des sources. Changer un de ces paramètres peut rendre anciens et nouveaux enregistrements incomparables. Définissez la mise à jour de l’index avant de charger tous les documents.

Gardez aussi source et version de chaque passage. Une correspondance sémantique juste peut sinon renvoyer une règle abrogée. Actualité et droits de lecture relèvent de l’application ; le modèle d’embeddings ne décide pas quel document une personne peut consulter.

Accès et limitations techniques

Bedrock donne un accès programmatique aux modèles ; la réponse finale n’est pas le seul coût possible. Indexation, appels répétés et modèle choisi influencent aussi le budget. Avant une grande archive, sélectionnez les passages à indexer et leur mise à jour après modification des sources.

Les modèles diffèrent par limites d’entrée, dimensions de sortie et exécution. Ne mélangez pas sans précaution des vecteurs de modèles ou dimensions différents. La génération d’images a ses propres entrées et critères d’évaluation. Un exercice de recherche ne valide pas les images, ni l’inverse.

Pour quelles tâches convient-il

• Construire une recherche sémantique dans vos textes
• Produire des embeddings pour traiter les données
• Connecter des modèles d'image via Bedrock