Google heeft Gemini Embedding 2 uitgebracht, een nieuw AI-model dat is ontworpen om te verenigen hoe machines informatie uit verschillende mediatypen begrijpen en ophalen. Dit is niet alleen een incrementele upgrade; het is een fundamentele verandering in de manier waarop AI gegevens verwerkt, waardoor mogelijk de kosten worden verlaagd en de snelheid wordt verhoogd voor bedrijven die afhankelijk zijn van AI-aangedreven inzichten.
Het probleem met eerdere inbeddingsmodellen
Traditionele insluitingsmodellen, de motoren achter zoeken, aanbevelingen en zakelijke AI, hebben zich van oudsher op tekst gericht. Om afbeeldingen, video’s of audio te analyseren, vertalen deze modellen ze eerst in tekst, waarbij stappen werden toegevoegd die fouten introduceerden en de prestaties vertraagden. Gemini Embedding 2 elimineert dit knelpunt door tekst, afbeeldingen, video, audio en documenten in één wiskundige ruimte te integreren.
Hoe Gemini Embedding 2 werkt: de analogie van de “Universele Bibliotheek”.
Denk aan een ouderwetse bibliotheek georganiseerd in categorieën versus een futuristische bibliotheek waar boeken zichzelf ordenen op basis van hun essentie. Dit is wat een inbeddingsmodel doet: het zet complexe gegevens om in numerieke coördinaten in een hoogdimensionale kaart. Vergelijkbare items clusteren samen, ongeacht het formaat. Een foto van een golden retriever en de uitdrukking ‘de beste vriend van de mens’ zouden naast elkaar staan, terwijl een zonsonderganggedicht naar een foto van de Pacifische kust zou drijven.
Gemini Embedding 2 brengt alle media in een uniforme 3072-dimensionale ruimte in kaart, waardoor ontwikkelaars in verschillende formaten kunnen zoeken zonder afzonderlijke systemen voor afbeeldingen, tekst of video. Dit wordt bereikt via ‘Matryoshka Representation Learning’ van Google, dat prioriteit geeft aan belangrijke informatie voor efficiëntie.
Waarom dit belangrijk is: efficiëntie en nauwkeurigheid
De verschuiving naar een native multimodale architectuur levert tastbare voordelen op:
- Verminderde latentie : sommige vroege testers melden tot 70% snellere verwerkingstijden.
- Lagere kosten : door tussenliggende “vertaal”-stappen te elimineren, kunnen ondernemingen besparen op computerbronnen.
- Dieper begrip : het model begrijpt audio direct als geluid en video als beweging, waardoor nuances worden vastgelegd die verloren gaan bij analyse van alleen tekst.
Bedrijven als Sparkonomy hebben al aanzienlijke efficiëntiewinsten geboekt, terwijl Everlaw het model gebruikt om door complexe juridische ontdekkingstaken te navigeren.
Technische specificaties: wat ontwikkelaars moeten weten
Het model verwerkt bestanden met maximaal 8.192 teksttokens, zes afbeeldingen, 128 seconden video, 80 seconden audio en zes PDF-pagina’s per verzoek. Dit zijn invoerlimieten, geen opslaglimieten; het systeem kan miljoenen documenten verwerken.
Google biedt gedifferentieerde prijzen via de Gemini API en Vertex AI:
- Gratis niveau : beperkte toegang voor experimenten.
- Betaald niveau : $ 0,25 per miljoen tokens voor tekst, afbeeldingen en video; Tokens van $ 0,50 per miljoen voor audio.
Het model is ook geïntegreerd met populaire AI-frameworks zoals LangChain en LlamaIndex, waardoor de adoptie wordt vereenvoudigd. De code is gelicentieerd onder Apache 2.0, waardoor commercieel gebruik zonder royaltyverplichtingen mogelijk is.
Moeten bedrijven migreren?
Voor organisaties die afhankelijk zijn van gefragmenteerde AI-pijplijnen is migreren naar Gemini Embedding 2 waarschijnlijk een strategische noodzaak. Het model stroomlijnt workflows, vermindert fouten en verlaagt de kosten. De transitie wordt eenvoudiger gemaakt door API-continuïteit en integratie met bestaande tools.
Bedrijven moeten echter de invoerlimieten beheren door grote bestanden op te delen (op te splitsen in segmenten) voordat ze worden verwerkt. De echte investering ligt in het opnieuw indexeren van bestaande gegevens om de nieuwe mogelijkheden volledig te benutten.
Het komt erop neer: Gemini Embedding 2 is niet zomaar een AI-upgrade; het is een stap in de richting van een meer uniforme, efficiënte en nauwkeurige manier om informatie te verwerken in de moderne onderneming.
