翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# Amazon Titan Multimodal Embeddings G1 モデル
<a name="titan-multiemb-models"></a>

Amazon Titan の基盤モデルは大規模なデータセットで事前トレーニングされており、強力かつ多用途なモデルになっています。そのまま使用するか、大量のデータに注釈を付けずに、特定のタスクのために独自のデータでモデルを微調整してカスタマイズします。

Titan モデルには、埋め込み、テキスト生成、イメージ生成の 3 種類があります。

2 つの Titan Multimodal Embeddings G1 モデルがあります。Titan マルチモーダル埋め込み G1 モデルは、テキスト入力 (単語、フレーズ、場合によっては大きなテキスト単位) を、テキストの意味論的意味を含む数値表現 (埋め込みと呼ばれます) に変換します。このモデルはテキストを生成しませんが、パーソナライズや検索などのアプリケーションに役立ちます。埋め込みを比較することで、このモデルはワードマッチングよりも、より関連性の高い、文脈に沿ったレスポンスを生成します。マルチモーダル埋め込み G1 モデルは、テキストによる画像検索、類似画像による画像検索、またはテキストと画像の組み合わせによる画像の検索などのユースケースに使用されます。入力した画像またはテキストを、同じ意味空間内の画像とテキスト両方の意味論的意味を含む埋め込みに変換します。

Titan Text モデルは、要約、テキスト生成、分類、自由形式の質問、情報抽出などのタスクのための生成 LLM です。また、さまざまなプログラミング言語や、表、JSON、.csv ファイルなどのリッチテキスト形式についても学んでいます。

**Amazon Titan Multimodal Embeddings モデル G1**
+ **モデル ID** – `amazon.titan-embed-image-v1`
+ **入力テキストトークンの最大数** – 256
+ **言語** – 英語 
+ **入力画像の最大サイズ** – 25 MB
+ **最大入力イメージ解像度** – 2048 x 2048 ピクセル
+ **出力ベクトルサイズ** – 1,024 (デフォルト)、384、256
+ **推論タイプ** – オンデマンド、プロビジョンドスループット
+ **サポートされているユースケース** – 検索、レコメンデーション、パーソナライズ。

Titan Text Embeddings V1 は、最大 8,192 のトークンを持つ空でない文字列を入力として、1,024 次元の埋め込みを返します。英語のトークンに対する文字数の比率は、平均で 1 トークンあたり 4.7 文字です。RAG のユースケースに関する注意: Titan Text Embeddings V2 は最大 8,192 個のトークンまで対応できますが、ドキュメントを論理セグメント (段落やセクションなど) にセグメント化することをお勧めします。

## 埋め込みの長さ
<a name="titanmm-embedding"></a>

埋め込みの長さのカスタム設定は任意です。埋め込みのデフォルトの長さは 1,024 文字で、ほとんどのユースケースで使うことができます。埋め込みの長さは 256 文字、384 文字、または 1,024 文字に設定できます。埋め込みサイズを大きくすると、より詳細なレスポンスが得られますが、処理時間も長くなります。埋め込みの長さを短くすると詳細度は低くなりますが、応答時間は短くなります。

```
    # EmbeddingConfig Shape
    {
     'outputEmbeddingLength': {{int}} // Optional, One of: [256, 384, 1024], default: 1024
    }
    
    # Updated API Payload Example
    body = json.dumps({
     "inputText": "hi",
     "inputImage": image_string,
     "embeddingConfig": { 
     "outputEmbeddingLength": 256
     }
    })
```

## ファインチューニング
<a name="titanmm-finetuning"></a>
+ Amazon Titan Multimodal Embeddings G1 ファインチューニングへの入力は、画像とテキストのペアです。
+ 画像フォーマット: PNG、JPEG
+ 入力画像のサイズ制限: 25 MB
+ 画像のディメンション: 最小 256 ピクセル、最大 4,096 ピクセル
+ キャプション内のトークンの最大数: 128
+ トレーニングデータセットのサイズ範囲: 1,000～500,000
+ 検証データセットのサイズ範囲: 8～50,000
+ キャプションの長さ (文字数): 0～2,560
+ 画像あたりの最大合計ピクセル数: 2,048\*2,048\*3
+ アスペクト比 (幅/高さ): 最小: 0.25、最大: 4

## データセットの準備
<a name="titanmm-datasets"></a>

トレーニングデータセットに対して、複数の JSON 行を含む `.jsonl` ファイルを作成します。JSON の各行には、[Sagemaker 拡張マニフェスト形式](https://docs.aws.amazon.com/sagemaker/latest/dg/augmented-manifest.html)と似た `image-ref` 属性と `caption` 属性の両方が含まれています。検証データセットが必要です。自動キャプションは現在サポートされていません。

```
   {"image-ref": "s3://bucket-1/folder1/0001.png", "caption": "some text"}
   {"image-ref": "s3://bucket-1/folder2/0002.png", "caption": "some text"}
   {"image-ref": "s3://bucket-1/folder1/0003.png", "caption": "some text"}
```

トレーニングデータセットと検証データセットの両方に対して、複数の JSON 行を含む `.jsonl` ファイルを作成することになります。

Amazon S3 パスは、Amazon Bedrock サービスロールに IAM ポリシーをアタッチすることで Amazon Bedrock がデータにアクセスできるようにアクセス許可を付与したフォルダ内にある必要があります。トレーニングデータの IAM ポリシーの付与について詳しくは、「[カスタムジョブにトレーニングデータへのアクセスを付与する](https://docs.aws.amazon.com/bedrock/latest/userguide/security_iam_id-based-policy-examples.html#security_iam_id-based-policy-examples-model-customization)」を参照してください。

## ハイパーパラメータ
<a name="titanmm-hyperparameters"></a>

これらの値は Multimodal Embeddings モデルのハイパーパラメータに合わせて調整できます。デフォルト値は、ほとんどのユースケースで十分に機能します。
+ 学習率 - (最小/最大学習率) – デフォルト: 5.00E-05、最小: 5.00E-08、最大: 1
+ バッチサイズ - 有効バッチサイズ - デフォルト: 576、最小: 256、最大: 9,216 
+ 最大エポック数 – デフォルト:「自動」、最小: 1、最大: 100