OpenAI ha recentemente annunciato delle importanti novità con l’introduzione di nuovi modelli di embeddings e della disponibilità dell’anteprima della versione Turbo del modello GPT-4 che dovrebbe risolvere il problema della “pigrizia” del modello precedente che in alcuni casi sembrava prendere scorciatoie per risolvere un problema fornendo soluzioni incomplete.
Cerchiamo di capire perché l’annuncio sugli embeddings sia così rilevante e perché condizionerà molti sistemi basati sulle API di OpenAI.
Indice degli argomenti
Cosa sono gli embeddings
Le reti neurali funzionano con numeri che rappresentano i “pesi” delle connessioni tra neuroni che determinano poi l’attivazione o meno di un particolare neurone. Ma il testo è un elemento discreto ed è necessario effettuare una conversione dalla sua forma in una rappresentazione numerica.
Innovazione e sicurezza nel digital banking: come guidare la trasformazione
Nei modelli di AI generativa è frequente l’approccio di convertire l’input in uno spazio vettoriale “latente” che viene utilizzato come codifica dell’input e a partire dal quale si produce l’output. È un elemento centrale dei modelli di AI generativa e viene in alcuni casi utilizzato proprio per generare nuovi output variando la rappresentazione latente dell’input.
Poiché l’input e l’output di una rete neurale che genera testo, come nel caso di un LLM, viene addestrata utilizzando testi, il modello di embedding della rete viene addestrato condizionando il vettore che viene associato a un particolare testo di ingresso.
I modelli di embeddings sono divenuti molto importanti nei modelli di AI generativa testuale grazie al ruolo che giocano nell’implementazione dei sistemi RAG (Retrieval Augmented System), sistemi che cercano in un Vector database informazioni che sono utilizzate per integrare il prompt con informazioni utili alla generazione della risposta.
Gli embeddings sembrano catturare il significato del testo, riuscendo a generare vettori vicini quando il significato di due testi si avvicina. Questa proprietà si estende anche a testi che esprimono significati analoghi in lingue differenti. Ecco un esempio della ricerca nella base di conoscenza di un’installazione di Oraculum con la stessa interrogazione espressa in italiano e in inglese:
Il sistema calcola gli embeddings utilizzando il modello di OpenAI che restituisce un vettore di 1.500 elementi per le due interrogazioni. I fatti memorizzati nel database vettoriale Weaviate hanno associato il vettore dell’embedding corrispondente e il database ordina i risultati per distanza vettoriale. Come si può notare le ricerche producono risultati confrontabili nonostante ovviamente i risultati sono più vicini alla richiesta espressa in italiano rispetto a quelli restituiti quando la query è in inglese.
I nuovi modelli di embeddings di OpenAI
Nonostante il ruolo centrale che gli embeddings giocano nell’implementazione di database vettoriali l’addestramento dei modelli relativi è sempre più lento e meno noto della controparte dei modelli LLM. Il modello di OpenAI “text-embedding-ada-002” è rimasto per oltre un anno l’unico di modello di embeddings.
Nell’annuncio di OpenAI sono introdotti due nuovi modelli di embeddings chiamati “text-embedding-3-small” e “text-embedding-3-large”. I nuovi modelli sono più accurati quando messi alla prova con dei benchmark di riferimento:
Come si vede i nuovi embeddings migliorano significativamente il MIRACL benchmark, e anche il benchmark MTEB mostra un certo miglioramento.
La dimensione del vettore è molto importante poiché condiziona sia l’occupazione di spazio per la memorizzazione sia il costo computazionale nel confronto tra vettori. Il modello “ada 2” offriva “solo” vettori di 1536 elementi mentre i nuovi modelli offrono più opzioni:
Il processo di riduzione della dimensione del vettore non è però fornito dal modello, si tratta di un metodo per ridurre le dimensioni da 1536 a 512 nel caso del modello small e da 3072 a 1024 o 254 per il modello large.
Come si può osservare in tutti i casi i nuovi modelli offrono prestazioni migliori, consentendo delle ricerche semantiche più precise quando si usa un Vector Database come Weaviate. Di conseguenza, i sistemi RAG produrranno informazioni più “vicini” alla query e di conseguenza le informazioni inserite all’interno del prompt contribuiranno a rendere più efficace il comportamento di un LLM.
Conclusioni
Gli embeddings giocano un ruolo sempre più importante nella realizzazione di ricerche semantiche di dati indicizzati all’interno di un Vector DB. I nuovi modelli contribuiscono a migliorare le ricerche, anche se il modello large può comportare costi computazionali più alti restituendo vettori con il doppio di elementi rispetto al modello small. Vedremo sul campo quanto queste modifiche impatteranno sui sistemi reali, anche se non è sempre facile misurare il comportamento di un sistema di AI generativa quando vengono utilizzati modelli aggiornati.
I nuovi modelli consentono infine di ridurre i costi nel loro uso attraverso le API cloud, il modello small costa molto meno del suo predecessore mentre il modello large ha costi confrontabili con esso ma con una precisione superiore.
