Angewandte KI für die Java-Entwicklung in Unternehmen (German Edition)

Kapitel 9. Vektor -Einbettungen und -Speicher

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

diesem Punkt des Buches weißt du, wie du Modelle mit der DJL-Bibliothek ableiten und mit LangChain4j nutzen kannst. Außerdem wurde in Kapitel 3 RAG vorgestellt, ein grundlegendes Konzept bei der Entwicklung von KI-Anwendungen.

RAG stützt sich bei der Ähnlichkeitssuche stark auf Vektoreinbettungsberechnungen und Mathematik (z. B. Kosinusähnlichkeit, quadratische euklidische Distanz usw.). In diesem Kapitel lernst du die folgenden wichtigen Aspekte von Vektoreinbettungen kennen:

• Berechnung von Einbettungen mit DJL

• Berechnung von Einbettungen mit LangChain4j

• Berechnung von Einbettungen mit Remote-Modellen

• Verwenden von Vektorspeichern zur Implementierung erweiterter Suchfunktionen oder zum Caching

• Vorbereiten und Einlesen von Dokumenten für RAG

• Implementierung eines einfachen RAG

• Erweiterte RAG nutzen (QueryRouter, ReRanking usw.)

Nach diesem Kapitel weißt du, wie man Vektoren mit verschiedenen Ansätzen berechnet, und hast ein gutes Verständnis von Einbettungen, nicht nur aus der Perspektive von RAG, sondern auch aus der Perspektive anderer Anwendungsfälle. Außerdem zeigen wir dir einige Algorithmen zur Visualisierung von Vektoren mit großen Dimensionen oder zu deren Clustering, um sie automatisch zu kategorisieren.

Berechnung von Vektor-Einbettungen

Zur Erinnerung: Eine Vektoreinbettung ...