Embedding-Modelle wandeln Texte in Vektoren um und ermöglichen so die semantische Suche in Wissensdatenbanken. Sie werden für die Dokumentenverarbeitung und das Retrieval-Augmented-Generation-Verfahren (RAG) benötigt.
Grunddaten
| Feld | Pflicht | Beschreibung |
|---|
| Bild / Titel | Ja | Anzeigename und optionales Profilbild des Modells (z. B. „Azure OpenAI - text-embedding-3-small”). |
| Modellname | Ja | Technischer Modellname (z. B. text-embedding-3-small). |
| Zugangsdaten | Ja | Hinterlegte Zugangsdaten für den gewählten Provider (Dropdown-Auswahl). |
Kosten
| Feld | Pflicht | Beschreibung |
|---|
| Kosten in $ pro Millionen Output-Token | Nein | Kosten pro eine Million Output-Token für die Kostenverfolgung. |
DLP-Sicherheitseinstellungen
Konfigurieren Sie, wie das Modell mit personenbezogenen Daten umgehen soll.
| Option | Beschreibung |
|---|
| aktiviert | GDPR-Schutz ist immer aktiv und kann vom Nutzer nicht deaktiviert werden. |
| optional | GDPR-Schutz ist standardmäßig aktiv, kann aber vom Nutzer deaktiviert werden. |
| deaktiviert | GDPR-Schutz ist deaktiviert. |
ICAP DLP Integration
Verbinden Sie Ihren Daten-Exit mit Ihrer Enterprise DLP-Lösung.
| Option | Beschreibung |
|---|
| An | ICAP-Server wird für alle Inhalte verwendet. |
| Aus | ICAP-Server wird nicht verwendet. |
Embedding-Modelle haben im Vergleich zu Chat-Modellen weniger
Konfigurationsoptionen, da sie ausschließlich für die Vektorisierung von
Texten eingesetzt werden und keine direkte Nutzer-Interaktion haben.
