.NET 中的內嵌
內嵌是 LLM 擷取語意意義的方式。 它們是非數值資料的數值表示法，LLM 可用來判斷概念之間的關聯性。 您可以使用內嵌來協助 AI 模型了解輸入的意義，以便其可以執行比較和轉換，例如摘要文字或從文字描述建立影像。 LLM 可以立即使用內嵌，而且您可以將內嵌儲存在向量資料庫中，視需要為 LLM 提供語意記憶體。
內嵌的使用案例
本節列出內嵌的主要使用案例。
使用您自己的資料來改善完成相關性
使用您自己的資料庫，為您的資料產生內嵌，並將其與 LLM 整合，使其可用於完成。 這種內嵌的使用是擷取增強世代的重要元件。
增加您可以在提示中容納的文字數量
使用內嵌來增加您可以在提示中容納的內容數量，而不會增加所需的語彙基元數目。
例如，假設您想要在提示中包含 500 頁的文字。 該大量原始文字的語彙基元數目將會超過輸入語彙基元限制，因此無法直接包含在提示中。 您可以使用內嵌來摘要該大量文字，並將其細分為足夠小的片段以容納於一個輸入中，接著評估每個片段與整個原始文字的相似度。 然後，您可以選擇最能保留原始文字語意意義的片段，並在您的提示中使用該片段，而不會達到語彙基元限制。
執行文字分類、摘要或翻譯
使用內嵌來協助模型了解文字的意義和內容，然後分類、摘要或翻譯該文字。 例如，您可以使用內嵌來協助模型將文字分類為正面或負面、垃圾郵件或非垃圾郵件，或是新聞或觀點。
產生和轉錄音訊
使用音訊內嵌來處理您應用程式中的音訊檔案或輸入。
例如，語音服務支援一系列音訊內嵌，包括語音轉換文字和文字轉換語音。 您可以即時或批次處理音訊。
將文字轉換成影像或將影像轉換成文字
語意影像處理需要大部分 LLM 都無法產生的影像內嵌。 使用影像內嵌模型，例如 ViT，來建立影像的向量內嵌。 然後，您可以使用這些內嵌搭配影像產生模型，來使用文字建立或修改影像，反之亦然。 例如，您可以使用 DALL·E 模型來產生影像，如標誌、人臉、動物和景觀。
產生或記錄程式碼
透過將不同的程式碼或文字運算式轉換成通用表示法，以使用內嵌協助模型從文字建立程式碼，反之亦然。 例如，您可以使用內嵌，來協助模型在 C# 或 Python 中產生或記錄程式碼。
選擇內嵌模型
您可以使用 AI 內嵌模型，為未經處理資料產生內嵌，可將非數值資料編碼為向量 (一長串數字)。 模型也可以將內嵌解碼為非數值資料，其具有與原始資料相同或相似的意義。 有許多內嵌模型可供您使用，OpenAI 的 text-embedding-ada-002 模型是其中一個常用的模型。 如需更多範例，請參閱 Azure OpenAI 上可用的內嵌模型清單。
在向量資料庫中儲存和處理內嵌
在產生內嵌之後，您將需要一種方式來儲存這些內嵌，以便稍後可以透過呼叫 LLM 來擷取這些內嵌。 向量資料庫是專為儲存和處理向量而設計，因此其是內嵌的天然家園。 不同的向量資料庫會提供不同的處理功能，因此您應該根據原始資料和目標來選擇一個。 如需選項的相關資訊，請參閱可用的向量資料庫解決方案。
在您的 LLM 解決方案中使用內嵌
建置 LLM 型應用程式時，您可以使用語意核心，來整合內嵌模型和向量存放區，以便可以快速提取文字資料，並產生和儲存內嵌。 這可讓您使用向量資料庫解決方案，來儲存和擷取語意記憶體。
