এম্বেডিং

জেমিনি এপিআই টেক্সট, ছবি, ভিডিও এবং অন্যান্য কন্টেন্টের জন্য এমবেডিং তৈরি করতে এমবেডিং মডেল সরবরাহ করে। এই প্রাপ্ত এমবেডিংগুলো পরবর্তীতে সিমান্টিক সার্চ, ক্লাসিফিকেশন এবং ক্লাস্টারিং-এর মতো কাজে ব্যবহার করা যেতে পারে, যা কীওয়ার্ড-ভিত্তিক পদ্ধতির চেয়ে আরও নির্ভুল এবং প্রাসঙ্গিক ফলাফল প্রদান করে।

সর্বশেষ মডেল, gemini-embedding-2 , হলো Gemini API-এর প্রথম মাল্টিমোডাল এমবেডিং মডেল। এটি টেক্সট, ছবি, ভিডিও, অডিও এবং ডকুমেন্টকে একটি সমন্বিত এমবেডিং স্পেসে ম্যাপ করে, যা ১০০টিরও বেশি ভাষায় ক্রস-মোডাল সার্চ, ক্লাসিফিকেশন এবং ক্লাস্টারিং সক্ষম করে। আরও জানতে মাল্টিমোডাল এমবেডিংস বিভাগটি দেখুন। শুধুমাত্র টেক্সট ব্যবহারের ক্ষেত্রে, gemini-embedding-001 এখনও উপলব্ধ রয়েছে।

রিট্রিভাল অগমেন্টেড জেনারেশন (RAG) সিস্টেম তৈরি করা এআই প্রোডাক্টের একটি সাধারণ ব্যবহার। উন্নত তথ্যগত নির্ভুলতা, সামঞ্জস্য এবং প্রাসঙ্গিক সমৃদ্ধির মাধ্যমে মডেলের আউটপুট উল্লেখযোগ্যভাবে বৃদ্ধি করতে এমবেডিং একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। আপনি যদি একটি পরিচালিত RAG সলিউশন ব্যবহার করতে চান, তবে আমরা ফাইল সার্চ টুলটি তৈরি করেছি যা RAG পরিচালনাকে আরও সহজ এবং সাশ্রয়ী করে তোলে।

এমবেডিং তৈরি করা

টেক্সট এমবেডিং তৈরি করতে embedContent মেথডটি ব্যবহার করুন:

from google import genai

client = genai.Client()

result = client.models.embed_content(
        model="gemini-embedding-2",
        contents="What is the meaning of life?"
)

print(result.embeddings)

import { GoogleGenAI } from "@google/genai";

async function main() {

    const ai = new GoogleGenAI({});

    const response = await ai.models.embedContent({
        model: 'gemini-embedding-2',
        contents: 'What is the meaning of life?',
    });

    console.log(response.embeddings);
}

main();

package main

import (
    "context"
    "encoding/json"
    "fmt"
    "log"

    "google.golang.org/genai"
)

func main() {
    ctx := context.Background()
    client, err := genai.NewClient(ctx, nil)
    if err != nil {
        log.Fatal(err)
    }

    contents := []*genai