Tutvustame EmbeddingGemmat: oma klassi parim avatud mudel seadmesisesteks embedding'uteks

4 minutitEdasijõudnudLahenduste loojaGoogle for DevelopersAI ettevõttes

Google for Developers. Video tutvustab mitmekeelseid tekstivektoreid, mis saavad töötada lokaalselt ning toetada semantilist otsingut ja RAG-i ilma iga dokumenti majutatud API-sse saatmata. Eesti ettevõtetele on see tehniline täiendus artikli siseteadmiste otsingu mustrile: mitmekeelne otsing on kasulik ainult siis, kui see austab ka andmete asukohta, ligipääsuõigusi ja allika autoriteeti.

AI Experti märkus

Embedding-mudelite edetabelid ja tootenimed vananevad kiiresti. Kasuta seda lühikese mõttemudelina mitmekeelse ja privaatse otsingu jaoks, seejärel testi praeguseid mudeleid enda eesti-, inglise- ja venekeelsete dokumentidega.

Mida sellest videost kaasa võtta

Saad aru, miks mitmekeelsed embedding-mudelid on olulised privaatse siseotsingu jaoks ja kus kohalik otsing võib vähendada andmete paljastamise riski.

Mida enne vaadata või teada

Põhiline arusaam RAG-ist või semantilisest otsingust.

Viimati üle vaadatud: 19. mai 2026

Järgmisena vaata

Jätka sama õpiteekonda järgmiste hoolikalt valitud kaasvideotega.

Mine sügavamale

Hoolikalt valitud välised kursused, mis aitavad sellesse teemasse sügavamalt minna.

Vaata kõiki kursusi teemal „AI ettevõttes”