BiVelio Embedding Layer Algorithm
Die beste Evidenz, mit weniger embeddings und weniger tokens.
BV-EMLA verwandelt Dokumente und eine Abfrage in ein minimales Paket relevanter Evidenz. Es senkt die Kosten für das Erstellen von embeddings, das Speichern von Indizes und das Senden von Kontext an das Modell, wobei die Identität, die Versionen, die Metadaten und die Nachverfolgbarkeit jedes Dokuments erhalten bleiben. Es erzeugt nicht zwingend eine Antwort: Es bereitet die beste Evidenz auf, damit jede Anwendung — mit OpenAI, Anthropic, Gemini oder einem lokalen Modell — sie nutzen kann.
BV-EMLA wird als vollständig eigenständiges Produkt konzipiert. Es benötigt weder den Brain von BiVelio noch ein Konto, noch dessen Datenbanken oder interne Modelle. BiVelio wird später einer seiner Nutzer sein, nicht die Umgebung, die es zum Funktionieren braucht.
- 1
Aufnahme: Es normalisiert, dedupliziert auf verifizierte Weise und zerlegt die Dokumente.
- 2
Darstellung: Es verwendet embeddings aus dem Cache wieder oder erstellt nur die fehlenden.
- 3
Adaptive Beschaffung: Es wählt den günstigsten Plan, der ausreichende Evidenz erreicht.
- 4
Zusammenstellung: Es liefert den minimalen Kontext, der die Abfrage abdeckt, mit Nachverfolgungen und Kennzahlen.
EMLA Compile
Es verwandelt eine Sammlung von Dokumenten in eine effiziente und überprüfbare Darstellung: Es normalisiert, erkennt Duplikate und Fast-Duplikate auf verifizierte Weise, zerlegt nach Struktur und verwendet embeddings wieder oder erstellt sie neu. Zehn Kopien desselben Handbuchs teilen sich eine einzige technische Darstellung, ohne die Identität jedes Dokuments zu verlieren.
EMLA Resolve
Es empfängt eine Abfrage und entscheidet, wie viel Aufwand sie erfordert. Eine einfache Frage nutzt eine günstige Suche; eine komplexe fügt dichte Beschaffung, reranking und Erweiterung hinzu. Sie zahlen die hohen Kosten nur, wenn die Abfrage es verlangt, und das Ergebnis ist die kleinste Menge, die die gesamte Frage abdeckt.
Weniger wiederholte embeddings und weniger Speicherbedarf.
Weniger Kontext-tokens, die an das Modell gesendet werden.
Austauschbare Indizes und Anbieter; lokaler Modus ohne externe Infrastruktur.
Nachverfolgbarkeit und Kennzahlen für jede Beschaffung.
In der Entwurfsphase als eigenständige Bibliothek (Python SDK und HTTP API). Zuerst wird es mit neutralen benchmarks validiert; danach wird es über einen Adapter in BiVelio integriert.
Algorithmus in der Entwurfsphase. Die Kennzahlen zu Leistung und Einsparung werden veröffentlicht, sobald wir die benchmarks abgeschlossen haben; bis dahin nennen wir keine Prozentsätze.