Skip to main content
Більшість команд використовує генеричний embeddings-API і сподівається, що він розуміє їхній домен. Позиція Conare інша: модель embeddings — це частина retrieval-стека, не commodity input — і найсильніша її версія та, яку натреновано на ваших власних даних. Conare Embeddings приходить у двох шарах:

Хостований API

POST /api/v1/embeddings — query- і document-вектори від тієї самої self-hosted моделі, яку використовує Conare. Доступно сьогодні на кожному плані.

Кастомні моделі

Модель embeddings, донавчена на ваших даних, з acceptance-gate на ваших реальних запитах, обслуговується з власним reranker’ом. Sales-led.

​
Чому вектори від тієї ж моделі важливі

Якість retrieval непомітно деградує, коли вектори у вашому індексі та вектори під час запиту приходять із різних представлень. Хостований API повертає вектори від тієї самої моделі, з якою Conare виконує retrieval, що робить його правильним вибором коли:
  • ви будуєте власні векторні фічі (кластеризація, dedup, similarity-евристики) поряд із Conare memory або ConareDB, і представлення мають узгоджуватися;
  • ви хочете семантику model pinning — явну гарантію, що вектори від іншої моделі ніколи не підставляються у ваш індекс тихо.

​
Чому існують кастомні моделі

Генерична модель розпорошує свою ємність по кожному домену в інтернеті. Ваші запити живуть в одному домені — словник вашого продукту, формулювання ваших клієнтів, структура ваших документів. Донавчання на цьому розподілі надійно рухає метрики, що мають значення (recall на ваших реальних запитах, якість ранжування, знання коли відповіді немає) — і Conare випускає кастомну модель лише коли вона доказово б’є попередника на вашому власному evaluation-наборі, ніколи на віру. Прочитайте як влаштована співпраця.