EmbeddingGemma 2: ricerca immediata tra migliaia di documenti

Con EmbeddingGemma 2 di Google possiamo costruire un motore di ricerca AI locale che comprende il significato dei contenuti, senza limitarci alle parole chiave. In questo video metto alla prova EmbeddingGemma 2, un modello leggero per embeddings multimodali, utilizzandolo in due applicazioni pratiche che ho sviluppato: GemmaDesk e GemmaVideo. Nel mio test, una ricerca su un archivio di 312.879 embedding richiede circa 4 secondi per query. Ma la parte più interessante non è soltanto la velocità: possiamo esplorare i documenti attraverso una mappa semantica interattiva, individuare argomenti correlati e ritrovare passaggi precisi all'interno dei video. Se ti interessano Second Brain, LLM Wiki, knowledge base, Personal Knowledge Management (PKM) e sistemi RAG, questo progetto mostra uno dei componenti fondamentali per costruire strumenti di gestione della conoscenza: la possibilità di cercare informazioni in base al significato, anche tra enormi quantità di dati. 00:00 EmbeddingGemma 2: introduzione 02:13 Cosa vedremo 03:46 Cosa sono gli embedding? 07:10 Embedding: applicazioni pratiche 10:18 Come funziona un modello di embedding 12:07 Bidirectional Attention 14:53 EmbeddingGemma 2: specifiche 17:43 Chunking dei documenti 19:13 Matryoshka Embeddings (MRL) 21:14 Ricerca semantica nei video 24:06 Documenti: ricerca e mappa semantica Link utili: GemmaDesk e GemmaVideo – codice su GitHub: https://github.com/GarauGarau/GemmaDesk EmbeddingGemma 2 su Hugging Face: https://huggingface.co/google/embeddi... Presentazione ufficiale Google: https://blog.google/innovation-and-ai... Resoconti delle assemblee usati nel video: https://www.camera.it/leg19/207 https://www.camera.it/leg18/207 https://www.camera.it/leg17/207 #EmbeddingGemma2 #SecondBrain #SemanticSearch