برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
بازیابی بازیابی Enterprise (RAG) برای شوق AI عامل فعلی یکپارچه است. Cohere با بهره گیری از علاقه مداوم به نمایندگان ، آخرین نسخه از مدل تعبیه شده خود را با ویندوز زمینه های طولانی تر و چند حالته بیشتر منتشر کرد.
Cohere’s Embed 4 ساخت بر روی به روزرسانی های چند حالته Embed 3 و قابلیت های بیشتری را در مورد داده های بدون ساختار اضافه می کند. به لطف یک پنجره زمینه 128،000 توکن ، سازمان ها می توانند برای اسناد با حدود 200 صفحه تعبیه کنند.
Cohere در یک پست وبلاگ گفت: “مدل های تعبیه شده موجود در درک بومی مواد تجاری چند حالته ، شرکت های پیشرو را برای توسعه خطوط لوله پیش پردازش داده های دست و پا گیر که فقط کمی دقت را بهبود می بخشند ، نمی دانند.” “تعبیه 4 این مشکل را حل می کند ، به شرکت ها و کارمندان آنها اجازه می دهد تا بینش های موثر را که در کوههای اطلاعات غیرقابل جستجو پنهان شده اند ، به طور مؤثر سطح کنند.”
شرکت ها می توانند 4 را در ابرهای خصوصی مجازی یا پشته های فناوری پیش فرض برای امنیت داده های اضافه شده مستقر کنند.
شرکت ها می توانند برای تبدیل اسناد یا داده های خود به بازنمایی های عددی برای Rag Us ، تعبیهاتی ایجاد کنیدموارد E سپس عوامل می توانند این تعبیه ها را برای پاسخ به اعلان ها ارجاع دهند.
دانش خاص دامنه
این شرکت گفت: 4 “برتری در صنایع تنظیم شده” مانند امور مالی ، مراقبت های بهداشتی و تولید. Cohere ، که عمدتاً در موارد استفاده از شرکت هوش مصنوعی متمرکز است ، گفت که مدل های آن نیازهای امنیتی بخش های تنظیم شده را در نظر می گیرند و درک جدی از مشاغل دارند.
این شرکت آموزش 4 را “برای داشتن قدرت در برابر داده های پر سر و صدا در دنیای واقعی” آموزش داده است ، زیرا با وجود “نواقص” داده های سازمانی ، مانند اشتباهات املایی و مسائل مربوط به قالب بندی ، دقیق باقی می ماند.
Cohere گفت: “این همچنین در جستجوی اسناد اسکن شده و دست نوشته ها انجام می شود. این قالب ها در کاغذهای قانونی ، فاکتورهای بیمه و رسیدهای هزینه رایج است. این قابلیت نیاز به تهیه داده های پیچیده یا خطوط لوله قبل از پردازش ، صرفه جویی در وقت و هزینه های عملیاتی را از بین می برد.”
سازمانها می توانند از 4 برای ارائه سرمایه گذار ، پرونده های دقیق ، گزارش های آزمایش بالینی ، راهنماهای تعمیر و اسناد محصول استفاده کنند.
این مدل دقیقاً مانند نسخه قبلی مدل از بیش از 100 زبان پشتیبانی می کند.
آگورا ، مشتری Cohere ، از 4 برای موتور جستجوی هوش مصنوعی خود استفاده کرد و دریافت که این مدل می تواند محصولات مربوطه را سطح کند.
پارام جاگی ، بنیانگذار آگورا ، در پست وبلاگ گفت: “داده های تجارت الکترونیکی پیچیده است ، حاوی تصاویر و توضیحات متن چند جانبه است. این که قادر به ارائه محصولات ما در یک تعبیه یکپارچه است ، جستجوی ما را سریعتر و ابزار داخلی ما کارآمدتر می کند.”
موارد استفاده نماینده
Cohere استدلال می کند که مدل هایی مانند Embed 4 باعث بهبود موارد استفاده از عامل می شوند و ادعا می کنند که می تواند “موتور جستجوی بهینه” برای نمایندگان و دستیاران هوش مصنوعی در یک شرکت باشد.
Cohere گفت: “علاوه بر دقت شدید در انواع داده ها ، این مدل راندمان درجه سازمانی را ارائه می دهد.” “این به آن اجازه می دهد تا برای پاسخگویی به خواسته های سازمان های بزرگ ، مقیاس کند.”
Cohere افزود: جاسازی شده 4 داده های فشرده شده را برای کاهش هزینه های ذخیره سازی بالا ایجاد می کند.
تعبیه ها و جستجوهای مبتنی بر RAG به اسناد خاص مراجعه می کنند تا وظایف مربوط به درخواست را انجام دهند. بسیاری بر این باورند که این نتایج دقیق تر ارائه می دهند ، و اطمینان می دهند که مأمورین با پاسخ های نادرست یا توهم پاسخ نمی دهند.
سایر مدلهای تعبیه شده که در مقابل رقابت با هم رقابت می کنند شامل qodo-embed-1-1.5b qodo و مدل هایی از Voyage AI است که اخیراً فروشنده پایگاه داده MongoDB به دست آورد.
