Saltearse al contenido
Nappai Documentation

AI/ML Embeddings

AI/ML Embeddings is a component that turns text into numerical vectors (embeddings) using the AI/ML API. These vectors can be used for search, clustering, or as input to other AI models.

¿Cómo funciona?

When you add this component to your dashboard, you choose a model from the dropdown. The component then sends your text to the AI/ML API, which returns a vector representation of the text. The component does not store the data locally; it only passes the vector back to the workflow.

Entradas

Este componente requiere una credencial AI/ML API que debe configurarse previamente en la sección de credenciales de Nappai y seleccionarse en el campo “Credential” del componente.

Campos de Entrada

  • Model Name: Selecciona el modelo de embeddings que quieres usar. Los modelos disponibles están listados en el desplegable.

Salidas

  • Embeddings: Un vector numérico que representa el texto ingresado. Puedes usarlo como entrada para búsquedas vectoriales, análisis de similitud o como parte de un modelo de aprendizaje automático.

Ejemplo de Uso

  1. Configura la credencial: Ve a Credenciales → Agregar credencial → selecciona AI/ML API y pega tu API Key.
  2. Añade el componente: Arrastra “AI/ML Embeddings” al flujo.
  3. Selecciona el modelo: En el campo “Model Name” elige, por ejemplo, “text-embedding-ada-002”.
  4. Conecta la entrada: Conecta la salida de un componente que genere texto (por ejemplo, “Texto de Entrada”) al campo de entrada del componente de embeddings.
  5. Usa la salida: Conecta la salida “Embeddings” a un componente de búsqueda vectorial o a un modelo de clasificación.

Componentes Relacionados

  • Text Embeddings – Similar component that uses OpenAI embeddings.
  • Vector Store – Stores and retrieves embeddings for similarity search.
  • Similarity Search – Finds the most similar embeddings in a collection.

Consejos y Mejores Prácticas

  • Elige un modelo que se ajuste al tamaño de tu texto; modelos más grandes pueden ser más precisos pero más costosos.
  • Si trabajas con grandes volúmenes de texto, considera procesar en lotes para reducir llamadas a la API.
  • Guarda los embeddings en un vector store para consultas rápidas posteriores.

Consideraciones de Seguridad

  • La API Key se almacena de forma segura en la credencial; no la incluyas en el flujo.
  • Asegúrate de que solo usuarios autorizados tengan acceso a la credencial y al componente.