Übersicht über Embeddings

Text-Embeddings sind numerische Darstellungen von Textzeichenketten, die als Vektor von Gleitkommazahlen dargestellt werden. Sie können den Abstand zwischen zwei eingebetteten Textstücken (seien es Wörter, Phrasen oder Sätze) verwenden, um zu messen, wie verwandt diese Textstücke miteinander sind. Ein beliebtes Maß ist die Kosinus-Ähnlichkeit, aber Sie können die Ähnlichkeit auch über andere Distanzfunktionen wie die euklidische Distanz oder Skalarprodukte messen (siehe FAQ unten). Im Allgemeinen sagen kleinere Abstände eine höhere Verwandtschaft in Bezug auf die semantische oder syntaktische Beziehung zwischen Texten voraus.

Der Vergleich der Ähnlichkeit von Zeichenketten oder die Gruppierung von Zeichenketten nach ihrem Abstand zueinander ermöglicht eine Vielzahl von Anwendungen, darunter Suche (beliebt in RAG-Architekturen), Empfehlungen und Anomalieerkennung.


Wie man Embeddings mit Anthropic erhält

Bei der Auswahl eines Embedding-Anbieters können Sie je nach Ihren Bedürfnissen und Vorlieben mehrere Faktoren berücksichtigen:

  • Datensatzgröße & Domänenspezifität: Größe des Modeltrainingsdatensatzes und seine Relevanz für die Domäne, die Sie einbetten möchten. Größere oder domänenspezifischere Daten erzeugen im Allgemeinen bessere domänenspezifische Embeddings
  • Modellarchitektur: Modelldesign und -komplexität. Modernere Techniken und Architekturen wie Transformer lernen und produzieren tendenziell Embeddings von höherer Qualität
  • Inferenzleistung: Embedding-Lookup-Geschwindigkeit und End-to-End-Latenz. Dies ist eine besonders wichtige Überlegung für groß angelegte Produktionsbereitstellungen
  • Anpassung: Optionen für die Weiterbildung mit privaten Daten oder die Spezialisierung von Modellen für sehr spezifische Domänen. Dies kann die Leistung bei einzigartigen Vokabularen verbessern

Anthropic bietet kein eigenes Embedding-Modell an. Ein Embedding-Anbieter, der eine große Vielfalt an Optionen und Fähigkeiten bietet, die alle vier oben genannten Überlegungen umfassen, ist Voyage AI. Voyage AI erstellt modernste Embedding-Modelle und bietet maßgeschneiderte Modelle für bestimmte Branchenbereiche wie Finanzen und Gesundheitswesen oder maßgeschneiderte Modelle für einzelne Kunden.

Der Rest dieses Leitfadens ist für Voyage AI, aber wir empfehlen Ihnen, eine Vielzahl von Embedding-Anbietern zu bewerten, um die beste Lösung für Ihren spezifischen Anwendungsfall zu finden.


Erste Schritte mit Voyage AI

Sehen Sie sich unser Embeddings-Notebook an, um ein Beispiel für eine Voyage AI-Implementierung zu sehen.

So greifen Sie auf Voyage-Embeddings zu:

  1. Melden Sie sich auf der Voyage AI-Website an
  2. Holen Sie sich einen API-Schlüssel
  3. Setzen Sie den API-Schlüssel zur Vereinfachung als Umgebungsvariable:
Python
export VOYAGE_API_KEY="<your secret key>"

Sie können die Embeddings entweder mit dem offiziellen voyageai Python-Paket oder mit HTTP-Anfragen ausführen, wie unten beschrieben.

Voyage Python-Paket

Das voyageai-Paket kann mit dem folgenden Befehl installiert werden:

Python
pip install -U voyageai

Dann können Sie ein Client-Objekt erstellen und es verwenden, um Ihre Texte einzubetten:

Python
import voyageai

vo = voyageai.Client()
# Dies verwendet automatisch die Umgebungsvariable VOYAGE_API_KEY.
# Alternativ können Sie vo = voyageai.Client(api_key="<your secret key>") verwenden

texts = ["Beispieltext 1", "Beispieltext 2"]

result = vo.embed(texts, model="voyage-2", input_type="document")
print(result.embeddings[0])
print(result.embeddings[1])

result.embeddings wird eine Liste von zwei Embedding-Vektoren sein, die jeweils 1024 Gleitkommazahlen enthalten.

Nach dem Ausführen des obigen Codes werden die beiden Embeddings auf dem Bildschirm ausgegeben:

Python
[0.02012746, 0.01957859, ...]  # Embedding für "Beispieltext 1"
[0.01429677, 0.03077182, ...]  # Embedding für "Beispieltext 2"

Beim Erstellen der Embeddings können Sie der Funktion embed() einige weitere Argumente übergeben. Hier ist die Spezifikation:

voyageai.Client.embed(texts : List[str], model : str, input_type : Optional[str] = None, truncation : Optional[bool] = None)

  • texts (List[str]) - Eine Liste von Texten als Liste von Zeichenketten, wie z.B. ["Ich mag Katzen", "Ich mag auch Hunde"]. Derzeit beträgt die maximale Länge der Liste 128 und die Gesamtzahl der Token in der Liste höchstens 320K für voyage-2 und 120K für voyage-large-2/voyage-code-2.
  • model (str) - Name des Modells. Empfohlene Optionen: voyage-2, voyage-large-2, voyage-code-2.
  • input_type (str, optional, Standardwert None) - Typ des Eingabetextes. Standardwert ist None. Andere Optionen: query, document
    • Wenn der input_type auf None gesetzt ist, wird der Eingabetext direkt vom Embedding-Modell von Voyage codiert. Wenn die Eingaben Dokumente oder Abfragen sind, können die Benutzer alternativ input_type auf query bzw. document setzen. In solchen Fällen fügt Voyage dem Eingabetext eine spezielle Eingabeaufforderung voran und sendet die erweiterten Eingaben an das Embedding-Modell
    • Für Retrieval-/Suchanwendungsfälle empfehlen wir, dieses Argument beim Codieren von Abfragen oder Dokumenten anzugeben, um die Retrieval-Qualität zu verbessern. Embeddings, die mit und ohne das Argument input_type erzeugt wurden, sind kompatibel
  • truncation (bool, optional, Standardwert None) - Ob die Eingabetexte abgeschnitten werden sollen, um in die Kontextlänge zu passen.
    • Wenn True, werden zu lange Eingabetexte abgeschnitten, um in die Kontextlänge zu passen, bevor sie vom Embedding-Modell vektorisiert werden
    • Wenn False, wird ein Fehler ausgelöst, wenn ein gegebener Text die Kontextlänge überschreitet
    • Wenn nicht angegeben (Standardwert None), kürzt Voyage den Eingabetext, bevor er an das Embedding-Modell gesendet wird, wenn er die Kontextfensterlänge leicht überschreitet. Wenn er die Kontextfensterlänge deutlich überschreitet, wird ein Fehler ausgelöst

Voyage HTTP API

Sie können Embeddings auch abrufen, indem Sie die Voyage HTTP API anfordern. Zum Beispiel können Sie eine HTTP-Anfrage über den Befehl curl in einem Terminal senden:

Shell
curl https://api.voyageai.com/v1/embeddings \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $VOYAGE_API_KEY" \
  -d '{
    "input": ["Beispieltext 1", "Beispieltext 2"],
    "model": "voyage-2"
  }'

Die Antwort, die Sie erhalten würden, ist ein JSON-Objekt, das die Embeddings und die Token-Nutzung enthält:

Shell
{
  "object": "list",
  "data": [
    {
      "embedding": [0.02012746, 0.01957859, ...],
      "index": 0
    },
    {
      "embedding": [0.01429677, 0.03077182, ...],
      "index": 1
    }
  ],
  "model": "voyage-2",
  "usage": {
    "total_tokens": 10
  }
}

Der Embedding-Endpunkt von Voyage AI ist https://api.voyageai.com/v1/embeddings (POST). Der Anfrage-Header muss den API-Schlüssel enthalten. Der Anfrage-Body ist ein JSON-Objekt, das die folgenden Argumente enthält:

  • input (str, List[str]) - Eine einzelne Textzeichenkette oder eine Liste von Texten als Liste von Zeichenketten. Derzeit beträgt die maximale Länge der Liste 128 und die Gesamtzahl der Token in der Liste höchstens 320K für voyage-2 und 120K für voyage-large-2/voyage-code-2.
  • model (str) - Name des Modells. Empfohlene Optionen: voyage-2, voyage-large-2, voyage-code-2.
  • input_type (str, optional, Standardwert None) - Typ des Eingabetextes. Standardwert ist None. Andere Optionen: query, document
  • truncation (bool, optional, Standardwert None) - Ob die Eingabetexte abgeschnitten werden sollen, um in die Kontextlänge zu passen
    • Wenn True, werden zu lange Eingabetexte abgeschnitten, um in die Kontextlänge zu passen, bevor sie vom Embedding-Modell vektorisiert werden
    • Wenn False, wird ein Fehler ausgelöst, wenn ein gegebener Text die Kontextlänge überschreitet
    • Wenn nicht angegeben (Standardwert None), kürzt Voyage den Eingabetext, bevor er an das Embedding-Modell gesendet wird, wenn er die Kontextfensterlänge leicht überschreitet. Wenn er die Kontextfensterlänge deutlich überschreitet, wird ein Fehler ausgelöst
  • encoding_format (str, optional, Standardwert None) - Format, in dem die Embeddings codiert sind. Voyage unterstützt derzeit zwei Optionen:
    • Wenn nicht angegeben (Standardwert None): die Embeddings werden als Listen von Gleitkommazahlen dargestellt
    • "base64": die Embeddings werden in Base64-Codierungen komprimiert

Voyage Embedding-Beispiel

Jetzt, da wir wissen, wie man Embeddings mit Voyage erhält, lassen Sie uns das mit einem kurzen Beispiel in Aktion sehen.

Nehmen wir an, wir haben einen kleinen Korpus von sechs Dokumenten, aus denen wir abrufen können

Python
documents = [
    "Die mediterrane Ernährung betont Fisch, Olivenöl und Gemüse, von denen angenommen wird, dass sie chronische Krankheiten reduzieren.",
    "Die Photosynthese in Pflanzen wandelt Lichtenergie in Glukose um und produziert lebenswichtigen Sauerstoff.",
    "Innovationen des 20. Jahrhunderts, vom Radio bis zum Smartphone, konzentrierten sich auf elektronische Fortschritte.",
    "Flüsse liefern Wasser, Bewässerung und Lebensraum für Wasserlebewesen, die für Ökosysteme lebenswichtig sind.",
    "Apples Telefonkonferenz zur Besprechung der Ergebnisse des vierten Geschäftsquartals und der Geschäftsupdates ist für Donnerstag, den 2. November 2023 um 14:00 Uhr PT / 17:00 Uhr ET geplant.",
    "Shakespeares Werke wie 'Hamlet' und 'Ein Sommernachtstraum' überdauern in der Literatur."
]

Wir werden zunächst Voyage verwenden, um jedes von ihnen in einen Embedding-Vektor umzuwandeln

Python
import voyageai

vo = voyageai.Client()

# Dokumente einbetten
doc_embds = vo.embed(
    documents, model="voyage-2", input_type="document"
).embeddings

Die Embeddings ermöglichen es uns, semantische Suche/Retrieval im Vektorraum durchzuführen. Wir können dann eine Beispielabfrage,

Python
query = "Wann ist die Telefonkonferenz von Apple geplant?"

in ein Embedding umwandeln und dann eine Nearest-Neighbor-Suche durchführen, um das relevanteste Dokument basierend auf der Distanz im Embedding-Raum zu finden.

Python
import numpy as np

# Abfrage einbetten
query_embd = vo.embed(
    [query], model="voyage-2", input_type="query"
).embeddings[0]

# Ähnlichkeit berechnen
# Voyage-Embeddings sind auf Länge 1 normiert, daher sind Skalarprodukt
# und Kosinus-Ähnlichkeit gleich.
similarities = np.dot(doc_embds, query_embd)

retrieved_id = np.argmax(similarities)
print(documents[retrieved_id])

Beachten Sie, dass wir input_type="document" und input_type="query" für das Einbetten des Dokuments bzw. der Abfrage verwenden. Weitere Spezifikationen finden Sie hier.

Die Ausgabe wäre das 5. Dokument, das tatsächlich am relevantesten für die Abfrage ist:

Apples Telefonkonferenz zur Besprechung der Ergebnisse des vierten Geschäftsquartals und der Geschäftsupdates ist für Donnerstag, den 2. November 2023 um 14:00 Uhr PT / 17:00 Uhr ET geplant.

Verfügbare Voyage-Modelle

Voyage empfiehlt die Verwendung der folgenden Embedding-Modelle:

ModellKontextlängeEmbedding-DimensionBeschreibung
voyage-large-2160001536Voyage AIs leistungsstärkstes generalistisches Embedding-Modell.
voyage-code-2160001536Optimiert für Code-Retrieval (17% besser als Alternativen) und auch SoTA auf allgemeinen Korpora. Siehe diesen Voyage Blog-Beitrag für Details.
voyage-240001024Basis-generalistisches Embedding-Modell, optimiert sowohl für Latenz als auch für Qualität.
voyage-lite-02-instruct40001024Anweisungsoptimiert für Klassifizierungs-, Clustering- und Satz-Textähnlichkeitsaufgaben, die die einzigen empfohlenen Anwendungsfälle für dieses Modell sind.

voyage-2 und voyage-large-2 sind generalistische Embedding-Modelle, die domänenübergreifend Spitzenleistungen erzielen und eine hohe Effizienz beibehalten. voyage-code-2 ist für den Code-Bereich optimiert und bietet die 4-fache Kontextlänge für eine flexiblere Nutzung, allerdings mit einer relativ höheren Latenz.

Voyage entwickelt aktiv fortschrittlichere und spezialisierte Modelle und bietet auch Fine-Tuning-Dienste an, um maßgeschneiderte Modelle für einzelne Kunden anzupassen. Wenden Sie sich per E-Mail an Ihren Anthropic-Account-Manager oder an den Anthropic-Support, um weitere Informationen zu maßgeschneiderten Modellen zu erhalten.

  • voyage-finance-2: demnächst verfügbar
  • voyage-law-2: demnächst verfügbar
  • voyage-multilingual-2: demnächst verfügbar
  • voyage-healthcare-2: demnächst verfügbar

Voyage auf dem AWS Marketplace

Voyage-Embeddings sind auch auf dem AWS Marketplace verfügbar. Hier sind die Anweisungen für den Zugriff auf Voyage auf AWS:

  1. Abonnieren Sie das Modellpaket
    1. Navigieren Sie zur Modellpaket-Listenseite und wählen Sie das zu implementierende Modell aus
    2. Klicken Sie auf die Schaltfläche Continue to subscribe
    3. Überprüfen Sie sorgfältig die Details auf der Seite Subscribe to this software. Wenn Sie mit der Standard-Endbenutzer-Lizenzvereinbarung (EULA), den Preisen und den Support-Bedingungen einverstanden sind, klicken Sie auf “Accept Offer”
    4. Nachdem Sie Continue to configuration ausgewählt und eine Region ausgewählt haben, wird Ihnen ein Product Arn angezeigt. Dies ist die Modellpaket-ARN, die für die Erstellung eines einsetzbaren Modells mit Boto3 erforderlich ist
      1. Kopieren Sie die ARN, die Ihrer ausgewählten Region entspricht, und verwenden Sie sie in der folgenden Zelle
  2. Stellen Sie das Modellpaket bereit

Erstellen Sie von hier aus einen JupyterLab-Bereich in Sagemaker Studio, laden Sie das Notebook von Voyage hoch und folgen Sie den darin enthaltenen Anweisungen.


Häufig gestellte Fragen

Wie berechne ich den Abstand zwischen zwei Embedding-Vektoren?

Die Kosinus-Ähnlichkeit ist eine beliebte Wahl, aber die meisten Distanzfunktionen funktionieren gut. Voyage-Embeddings sind auf Länge 1 normiert, daher ist die Kosinus-Ähnlichkeit im Wesentlichen das Gleiche wie das Skalarprodukt zwischen zwei Vektoren. Hier ist ein Code-Snippet, das Sie zur Berechnung der Kosinus-Ähnlichkeit zwischen zwei Embedding-Vektoren verwenden können.

Python
import numpy

similarity = np.dot(embd1, embd2)
# Voyage-Embeddings sind auf Länge 1 normiert, daher ist die Kosinus-Ähnlichkeit
# das Gleiche wie das Skalarprodukt.

Wenn Sie die K nächstgelegenen Embedding-Vektoren über einen großen Korpus finden möchten, empfehlen wir die Verwendung der in den meisten Vektordatenbanken integrierten Funktionen.

Kann ich die Anzahl der Token in einer Zeichenkette zählen, bevor ich sie einbette?

Ja! Sie können dies mit dem folgenden Code tun.

Python
import voyageai

vo = voyageai.Client()
total_tokens = vo.count_tokens(["Beispieltext"])

Preise

Besuchen Sie die Preisseite von Voyage für die aktuellsten Preisinformationen.