AI/ML Embeddings
AI/ML Embeddings convierte textos en una huella numérica de su significado usando los modelos de AI/ML API. Con esa huella, NappAI puede encontrar los documentos que dicen algo parecido a lo que buscas aunque usen otras palabras, por ejemplo en una base de conocimiento.
El componente se conecta a una base de datos vectorial, que lo usa tanto para guardar tus documentos como para buscar en ellos. Úsalo si tu empresa ya tiene cuenta en AI/ML API, que da acceso a modelos de varios proveedores con una sola cuenta.
Cuándo usarlo
- Dar a un agente el conocimiento de tus manuales, contratos o preguntas frecuentes, guardándolos en una base de datos vectorial.
- Montar un buscador interno que encuentre documentos por su significado y no solo por palabras exactas.
- Ya tienes cuenta en AI/ML API y prefieres no abrir otra con cada proveedor.
- Necesitas un modelo multilingüe para documentos en varios idiomas.
Configuración
| Campo | Qué hace |
|---|---|
| Credential (obligatorio) | La credencial del servicio AI/ML API. Elige una con Seleccionar una credencial o crea una con Crear nueva credencial. Consulta Credenciales. |
| Model Name (obligatorio) | El modelo que calcula las huellas. Elige uno de la lista: text-embedding-3-large, text-embedding-3-small, text-embedding-ada-002, text-multilingual-embedding-002, textembedding-gecko-multilingual@001, textembedding-gecko@001 o textembedding-gecko@003. |
Resultado
- Embeddings: el modelo que calcula las huellas, listo para usar. Conéctalo a la entrada Embedding de una base de datos vectorial: Astra DB, Cassandra, Chroma DB, Couchbase, Elasticsearch, FAISS, Milvus, MongoDB Vector Store, PGVector, Pinecone, Qdrant, Redis, Supabase Vector Store, Upstash, Vectara, Weaviate Cloud (v4). También lo aceptan otros componentes con una entrada de este tipo, como Semantic Text Splitter o Text Embedder.
Ejemplo
Una distribuidora de material de oficina, Suministros Ebro, quiere que su asistente responda con su catálogo de productos y sus condiciones de venta.
- En un flujo de carga, divide los documentos en fragmentos con Recursive Character Text Splitter y pásalos a Chroma DB con Operation en
Add. - Añade AI/ML Embeddings y conecta su salida Embeddings a la entrada Embedding de Chroma DB.
- En el flujo del asistente, usa la misma colección de Chroma DB con el mismo componente AI/ML Embeddings para buscar los fragmentos que responden a cada pregunta.