Cohere stellt Embed 4 vor: Multimodales KI-Modell ermöglicht Suche in Dokumenten mit bis zu 200 Seiten

Enterprise Retrieval Augmented Generation (RAG) spielt weiterhin eine zentrale Rolle in der aktuellen Welle der agentenbasierten KI-Innovation. Cohere nutzt die anhaltende Begeisterung für KI-Agenten und hat die neueste Version seines Embedding-Modells auf den Markt gebracht, das sich durch deutlich erweiterte Kontextfenster und verbesserte multimodale Fähigkeiten auszeichnet.

Das Embed 4-Modell von Cohere baut auf der multimodalen Grundlage von Embed 3 auf und bietet eine verbesserte Verarbeitung unstrukturierter Daten. Mit einem Kontextfenster, das 128.000 Token unterstützt, können Unternehmen nun Embeddings für lange Dokumente generieren, die etwa 200 Seiten entsprechen.

„Herkömmlichen Einbettungsmodellen fehlt oft das grundlegende Verständnis für komplexe, multimodale Geschäftsdokumente. Dies zwingt Unternehmen dazu, komplizierte Vorverarbeitungssysteme zu entwickeln, die nur marginale Genauigkeitsgewinne bringen“, erklärte Cohere in einer Blog-Ankündigung. „Embed 4 geht diese zentrale Herausforderung an und ermöglicht es Unternehmen und ihren Teams, wertvolle Erkenntnisse, die in riesigen Repositorien zuvor nicht durchsuchbarer Informationen verborgen sind, effizient aufzudecken.“

Für eine verbesserte Datensicherheit können Unternehmen Embed 4 in virtuellen privaten Cloud-Umgebungen oder in ihrer lokalen Technologieinfrastruktur implementieren.

Unternehmen nutzen Einbettungen, um Dokumente und verschiedene Datentypen in numerische Darstellungen umzuwandeln, die für RAG-Anwendungen geeignet sind. KI-Agenten können diese Einbettungen dann nutzen, um präzise Antworten auf Benutzeranfragen zu liefern.

Domänenspezifisches Wissen

Laut Angaben des Unternehmens eignet sich Embed 4 besonders für Branchen mit hohen Compliance-Anforderungen wie Finanzen, Gesundheitswesen und Fertigung. Als auf Unternehmen ausgerichteter KI-Anbieter entwickelt Cohere seine Modelle unter Berücksichtigung der strengen Sicherheitsanforderungen regulierter Branchen und gewährleistet so ein tiefes Verständnis der geschäftlichen Zusammenhänge.

Das Modell wurde auf Widerstandsfähigkeit gegenüber den für reale Unternehmensdaten typischen Unregelmäßigkeiten trainiert. Es behält auch bei häufigen Unvollkommenheiten wie Rechtschreibfehlern und inkonsistenter Formatierung eine hohe Genauigkeit bei.

„Es liefert auch eine robuste Leistung bei der Suche in gescannten Dokumenten und handschriftlichen Texten – Formate, die in Rechtsverträgen, Versicherungsrechnungen und Spesenbelegen weit verbreitet sind. Diese Fähigkeit macht komplexe Datenvorbereitungs- oder Vorverarbeitungsworkflows überflüssig und spart Unternehmen erhebliche Zeit und Betriebskosten“, erklärte Cohere.

Unternehmen können Embed 4 für eine Vielzahl von Materialien einsetzen, darunter Investorenpräsentationen, Due-Diligence-Unterlagen, Berichte über klinische Studien, Reparaturhandbücher für Geräte und Produktdokumentationen.

Wie sein Vorgänger unterstützt das Modell über 100 Sprachen.

Agora, ein Kunde von Cohere, hat Embed 4 in seine KI-Suchmaschine integriert und die Effektivität des Modells beim Abrufen relevanter Produktinformationen beobachtet.

„E-Commerce-Daten sind von Natur aus komplex und verbinden Bilder mit vielschichtigen Textbeschreibungen. Die Erstellung einer einheitlichen Einbettungsdarstellung für unsere Produkte hat unsere Suchfunktionalität beschleunigt und die Effizienz unserer internen Tools erheblich verbessert“, erklärte Param Jaggi, Gründer von Agora, in einem Blogbeitrag.

Anwendungsfälle für Agenten

Cohere geht davon aus, dass Modelle wie Embed 4 agentenbasierte KI-Anwendungen erheblich verbessern werden, und positioniert es als optimale Suchgrundlage für unternehmensweite KI-Assistenten und autonome Agenten.

„Über seine hohe Genauigkeit bei verschiedenen Datentypen hinaus ist das Modell auf Effizienz im Unternehmensmaßstab ausgelegt“, erklärte Cohere. „Dadurch lässt es sich effektiv skalieren, um den Anforderungen großer Organisationen gerecht zu werden.“

Cohere hob außerdem hervor, dass Embed 4 komprimierte Daten-Embeddings generiert, was dazu beiträgt, die oft unerschwinglichen Speicherkosten zu senken.

Durch die Verwendung von Einbettungen und RAG-basierter Suche kann ein KI-Agent bestimmte Dokumente lokalisieren und referenzieren, um aufgabenorientierte Anfragen auszuführen. Dieser Ansatz wird allgemein als zuverlässiger angesehen, da er das Risiko minimiert, dass Agenten falsche oder halluzinierte Antworten liefern.

Im Wettbewerbsumfeld konkurriert Embed 4 mit anderen Modellen wie Qodo-Embed-1-1.5B von Qodo und Angeboten von Voyage AI, das kürzlich vom Datenbankanbieter MongoDB übernommen wurde.