Embedding
Embedding teks adalah representasi numerik dari teks yang memungkinkan pengukuran kesamaan semantik. Panduan ini memperkenalkan embedding, aplikasinya, dan cara menggunakan model embedding untuk tugas-tugas seperti pencarian, rekomendasi, dan deteksi anomali.
Sebelum mengimplementasikan embedding
Saat memilih penyedia embedding, ada beberapa faktor yang dapat Anda pertimbangkan tergantung pada kebutuhan dan preferensi Anda:
- Ukuran dataset & spesifisitas domain: ukuran dataset pelatihan model dan relevansinya dengan domain yang ingin Anda embedding. Data yang lebih besar atau lebih spesifik domain umumnya menghasilkan embedding dalam domain yang lebih baik
- Kinerja inferensi: kecepatan pencarian embedding dan latensi end-to-end. Ini adalah pertimbangan yang sangat penting untuk deployment produksi skala besar
- Kustomisasi: opsi untuk pelatihan lanjutan pada data pribadi, atau spesialisasi model untuk domain yang sangat spesifik. Ini dapat meningkatkan kinerja pada kosakata yang unik
Cara mendapatkan embedding dengan Anthropic
Anthropic tidak menawarkan model embedding sendiri. Salah satu penyedia embedding yang memiliki berbagai pilihan dan kemampuan yang mencakup semua pertimbangan di atas adalah Voyage AI.
Voyage AI membuat model embedding state-of-the-art dan menawarkan model yang disesuaikan untuk domain industri tertentu seperti keuangan dan kesehatan, atau model yang disesuaikan khusus untuk pelanggan individu.
Sisa panduan ini adalah untuk Voyage AI, tetapi kami mendorong Anda untuk menilai berbagai vendor embedding untuk menemukan yang paling cocok untuk kasus penggunaan spesifik Anda.
Memulai dengan Voyage AI
Untuk mengakses embedding Voyage:
- Daftar di situs web Voyage AI
- Dapatkan kunci API
- Atur kunci API sebagai variabel lingkungan untuk kemudahan:
export VOYAGE_API_KEY="<kunci rahasia Anda>"
Anda dapat menjalankan embedding dengan menggunakan paket Python voyageai resmi atau permintaan HTTP, seperti yang dijelaskan di bawah ini.
Paket Python Voyage
Paket voyageai
dapat diinstal menggunakan perintah berikut:
pip install -U voyageai
Kemudian, Anda dapat membuat objek klien dan mulai menggunakannya untuk meng-embed teks Anda:
import voyageai
vo = voyageai.Client()
# Ini akan secara otomatis menggunakan variabel lingkungan VOYAGE_API_KEY.
# Alternatifnya, Anda dapat menggunakan vo = voyageai.Client(api_key="<kunci rahasia Anda>")
texts = ["Teks sampel 1", "Teks sampel 2"]
result = vo.embed(texts, model="voyage-2", input_type="document")
print(result.embeddings[0])
print(result.embeddings[1])
result.embeddings
akan menjadi daftar dua vektor embedding, masing-masing berisi 1024 angka floating-point.
Setelah menjalankan kode di atas, dua embedding akan dicetak di layar:
[0.02012746, 0.01957859, ...] # embedding untuk "Teks sampel 1"
[0.01429677, 0.03077182, ...] # embedding untuk "Teks sampel 2"
Saat membuat embedding, Anda dapat menentukan beberapa argumen lain untuk fungsi embed()
. Berikut adalah spesifikasinya:
voyageai.Client.embed(texts : List[str], model : str, input_type : Optional[str] = None, truncation : Optional[bool] = None)
- texts (List[str]) - Daftar teks sebagai daftar string, seperti
["Saya suka kucing", "Saya juga suka anjing"]
. Saat ini, panjang maksimum daftar adalah 128, dan total jumlah token dalam daftar maksimal 320K untukvoyage-2
dan 120K untukvoyage-large-2
/voyage-code-2
. - model (str) - Nama model. Opsi yang direkomendasikan:
voyage-2
,voyage-large-2
,voyage-code-2
. - input_type (str, opsional, default ke
None
) - Jenis teks input. Default keNone
. Opsi lain:query
,document
- Ketika input_type diatur ke
None
, teks input akan langsung dikodekan oleh model embedding Voyage. Alternatifnya, ketika input adalah dokumen atau query, pengguna dapat menentukaninput_type
menjadiquery
ataudocument
, masing-masing. Dalam kasus seperti itu, Voyage akan menambahkan prompt khusus ke teks input dan mengirimkan input yang diperpanjang ke model embedding - Untuk kasus penggunaan pengambilan/pencarian, kami merekomendasikan untuk menentukan argumen ini saat mengkodekan query atau dokumen untuk meningkatkan kualitas pengambilan. Embedding yang dihasilkan dengan dan tanpa argumen
input_type
kompatibel
- Ketika input_type diatur ke
- truncation (bool, opsional, default ke
None
) - Apakah akan memotong teks input agar sesuai dengan panjang konteks.- Jika
True
, teks input yang melebihi panjang akan dipotong agar sesuai dengan panjang konteks, sebelum divektorisasi oleh model embedding - Jika
False
, kesalahan akan muncul jika ada teks yang melebihi panjang konteks - Jika tidak ditentukan (default ke
None
), Voyage akan memotong teks input sebelum mengirimkannya ke model embedding jika sedikit melebihi panjang jendela konteks. Jika secara signifikan melebihi panjang jendela konteks, kesalahan akan muncul
- Jika
API HTTP Voyage
Anda juga dapat mendapatkan embedding dengan meminta API HTTP Voyage. Misalnya, Anda dapat mengirim permintaan HTTP melalui perintah curl
di terminal:
curl https://api.voyageai.com/v1/embeddings \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $VOYAGE_API_KEY" \
-d '{
"input": ["Teks sampel 1", "Teks sampel 2"],
"model": "voyage-2"
}'
Respons yang akan Anda dapatkan adalah objek JSON yang berisi embedding dan penggunaan token:
{
"object": "list",
"data": [
{
"embedding": [0.02012746, 0.01957859, ...],
"index": 0
},
{
"embedding": [0.01429677, 0.03077182, ...],
"index": 1
}
],
"model": "voyage-2",
"usage": {
"total_tokens": 10
}
}
Endpoint embedding Voyage AI adalah https://api.voyageai.com/v1/embeddings
(POST). Header permintaan harus berisi kunci API. Badan permintaan adalah objek JSON yang berisi argumen berikut:
- input (str, List[str]) - String teks tunggal, atau daftar teks sebagai daftar string. Saat ini, panjang maksimum daftar adalah 128, dan total jumlah token dalam daftar maksimal 320K untuk
voyage-2
dan 120K untukvoyage-large-2
/voyage-code-2
. - model (str) - Nama model. Opsi yang direkomendasikan:
voyage-2
,voyage-large-2
,voyage-code-2
. - input_type (str, opsional, default ke
None
) - Jenis teks input. Default keNone
. Opsi lain:query
,document
- truncation (bool, opsional, default ke
None
) - Apakah akan memotong teks input agar sesuai dengan panjang konteks- Jika
True
, teks input yang melebihi panjang akan dipotong agar sesuai dengan panjang konteks sebelum divektorisasi oleh model embedding - Jika
False
, kesalahan akan muncul jika ada teks yang melebihi panjang konteks - Jika tidak ditentukan (default ke
None
), Voyage akan memotong teks input sebelum mengirimkannya ke model embedding jika sedikit melebihi panjang jendela konteks. Jika secara signifikan melebihi panjang jendela konteks, kesalahan akan muncul
- Jika
- encoding_format (str, opsional, default ke
None
) - Format di mana embedding dikodekan. Voyage saat ini mendukung dua opsi:- Jika tidak ditentukan (default ke
None
): embedding direpresentasikan sebagai daftar angka floating-point "base64"
: embedding dikompresi menjadi pengkodean Base64
- Jika tidak ditentukan (default ke
Contoh embedding Voyage
Sekarang kita tahu cara mendapatkan embedding dengan Voyage, mari kita lihat dalam aksi dengan contoh singkat.
Misalkan kita memiliki korpus kecil dari enam dokumen untuk diambil
documents = [
"Diet Mediterania menekankan ikan, minyak zaitun, dan sayuran, diyakini mengurangi penyakit kronis.",
"Fotosintesis pada tumbuhan mengubah energi cahaya menjadi glukosa dan menghasilkan oksigen penting.",
"Inovasi abad ke-20, dari radio hingga smartphone, berpusat pada kemajuan elektronik.",
"Sungai menyediakan air, irigasi, dan habitat bagi spesies akuatik, vital bagi ekosistem.",
"Panggilan konferensi Apple untuk membahas hasil kuartal fiskal keempat dan pembaruan bisnis dijadwalkan pada Kamis, 2 November 2023 pukul 2:00 sore PT / 5:00 sore ET.",
"Karya Shakespeare, seperti 'Hamlet' dan 'A Midsummer Night's Dream,' bertahan dalam sastra."
]
Kita akan pertama-tama menggunakan Voyage untuk mengubah masing-masing menjadi vektor embedding
import voyageai
vo = voyageai.Client()
# Embed dokumen
doc_embds = vo.embed(
documents, model="voyage-2", input_type="document"
).embeddings
Embedding akan memungkinkan kita melakukan pencarian semantik / pengambilan dalam ruang vektor. Kita kemudian dapat mengubah contoh query,
query = "Kapan panggilan konferensi Apple dijadwalkan?"
menjadi embedding, dan kemudian melakukan pencarian tetangga terdekat untuk menemukan dokumen yang paling relevan berdasarkan jarak dalam ruang embedding.
import numpy as np
# Embed query
query_embd = vo.embed(
[query], model="voyage-2", input_type="query"
).embeddings[0]
# Hitung kesamaan
# Embedding Voyage dinormalisasi ke panjang 1, oleh karena itu dot-product
# dan kesamaan cosinus adalah sama.
similarities = np.dot(doc_embds, query_embd)
retrieved_id = np.argmax(similarities)
print(documents[retrieved_id])
Perhatikan bahwa kita menggunakan input_type="document"
dan input_type="query"
untuk meng-embed dokumen dan query, masing-masing. Spesifikasi lebih lanjut dapat ditemukan di sini.
Outputnya akan menjadi dokumen ke-5, yang memang paling relevan dengan query:
Panggilan konferensi Apple untuk membahas hasil kuartal fiskal keempat dan pembaruan bisnis dijadwalkan pada Kamis, 2 November 2023 pukul 2:00 sore PT / 5:00 sore ET.
Model Voyage yang tersedia
Voyage merekomendasikan penggunaan model embedding berikut:
Model | Panjang Konteks | Dimensi Embedding | Deskripsi |
---|---|---|---|
voyage-large-2 | 16000 | 1536 | Model embedding generalis paling kuat dari Voyage AI. |
voyage-code-2 | 16000 | 1536 | Dioptimalkan untuk pengambilan kode (17% lebih baik dari alternatif), dan juga SoTA pada korpus tujuan umum. Lihat postingan blog Voyage ini untuk detailnya. |
voyage-2 | 4000 | 1024 | Model embedding generalis dasar yang dioptimalkan untuk latensi dan kualitas. |
voyage-lite-02-instruct | 4000 | 1024 | Dilatih dengan instruksi untuk tugas klasifikasi, pengelompokan, dan kesamaan tekstual kalimat, yang merupakan satu-satunya kasus penggunaan yang direkomendasikan untuk model ini. |
voyage-2
dan voyage-large-2
adalah model embedding generalis, yang mencapai kinerja state-of-the-art di berbagai domain dan mempertahankan efisiensi tinggi. voyage-code-2
dioptimalkan untuk bidang kode, menawarkan panjang konteks 4x lipat untuk penggunaan yang lebih fleksibel, meskipun dengan latensi yang relatif lebih tinggi.
Voyage secara aktif mengembangkan model yang lebih canggih dan terspesialisasi, dan juga menawarkan layanan fine-tuning untuk menyesuaikan model khusus untuk pelanggan individu. Kirim email ke manajer akun Anthropic Anda atau hubungi dukungan Anthropic untuk informasi lebih lanjut tentang model khusus.
voyage-finance-2
: segera hadirvoyage-law-2
: segera hadirvoyage-multilingual-2
: segera hadirvoyage-healthcare-2
: segera hadir
Voyage di AWS Marketplace
Embedding Voyage juga tersedia di AWS Marketplace. Berikut adalah instruksi untuk mengakses Voyage di AWS:
- Berlangganan paket model
- Navigasi ke halaman daftar paket model dan pilih model yang akan di-deploy
- Klik tombol
Continue to subscribe
- Tinjau dengan cermat detail pada halaman
Subscribe to this software
. Jika Anda setuju dengan Perjanjian Lisensi Pengguna Akhir (EULA) standar, harga, dan ketentuan dukungan, klik “Accept Offer” - Setelah memilih
Continue to configuration
dan memilih wilayah, Anda akan disajikan dengan Product Arn. Ini adalah ARN paket model yang diperlukan untuk membuat model yang dapat di-deploy menggunakan Boto3- Salin ARN yang sesuai dengan wilayah yang Anda pilih dan gunakan di sel berikutnya
- Deploy paket model
Dari sini, buat ruang JupyterLab di Sagemaker Studio, unggah notebook Voyage, dan ikuti instruksi di dalamnya.
FAQ
Harga
Kunjungi halaman harga Voyage untuk detail harga terbaru.