Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- de:modul:ffit:3-jahr:java:learningunits:lu11:b [2025/11/18 02:12] – apeter
+++ de:modul:ffit:3-jahr:java:learningunits:lu11:b [2025/11/18 02:35] (aktuell) – apeter
@@ Zeile 6: / Zeile 6: @@
 © https://www.ridgerun.ai/post/how-to-evaluate-retrieval-augmented-generation-rag-systems
-Zu Beginn muss man die gewünschten Daten (z.B. Lernunterlagen) ...
+Vorneweg muss man die gewünschten Daten (z.B. Lernunterlagen) ...
   - ... in Chunks unterteilen
   - ... "embedden"
@@ Zeile 18: / Zeile 18: @@
   - Das LLM-Model schickt eine Antwort zurück an die Applikation
   - Die Applikation kann z.B. Quellen o. Ä. bei Bedarf ergänzen und die Antwort an den Benutzer zurückschicken.
+==== Vector-Embedding====
+Bei einem Vector-Embedding werden Daten (oftmals Textblöcke) in Vektoren mit hunderten von Dimensionen umgewandelt.
+{{:de:modul:ffit:3-jahr:java:learningunits:lu11:vector-embeddings.jpg?600|}}
+© https://qdrant.tech/articles/what-are-embeddings/
 ==== Vektordatenbank ====
+In einer Vektordatenbank sind Objekte mit ähnlicher Bedeutung aufgrund des zuvor angewendeten Embeddings nahe beieinander.
+Im nachfolgenden Beispiel sieht man die Tiere links, während die Früchte rechts sind.
+Nebst den Zielobjekten können auch Fragen embedded werden. Wird zum Beispiel nach "Kitten" gesucht, kann die Vektordatenbank mittels einer "Similarity search" die nächstgelegenen Objekte ermitteln und zurückgeben. In diesem Beispiel also "Cat".
+{{:de:modul:ffit:3-jahr:java:learningunits:lu11:vector-search.jpeg?600|}}
+© https://nlpcloud.com/de/fine-tuning-semantic-search-model-with-sentence-transformers-for-rag-application.html