Cohere Embeddings

Cohere Embeddings 노드는 Cohere에서 제공하는 고성능 임베딩 모델을 사용하여 텍스트 데이터를 벡터로 변환합니다. 사용 목적에 따라 임베딩 방식(Type)을 설정할 수 있어 검색, 분류, 군집화 등 다양한 AI 파이프라인에 적합합니다.

---

주요 기능

• Cohere의 embed-english 또는 embed-multilingual 시리즈를 사용하여 텍스트 임베딩

• search, classification, clustering 목적에 따라 벡터 표현 최적화 가능

• 다양한 용도별 타입(search_query, search_document, classification, clustering) 설정 지원

• RAG 파이프라인, 분류 모델, 데이터 분석 등에서 활용 가능

WindyFlo Cohere Embeddings

입력값 (Inputs)

항목	설명	필수 여부
Connect Credential	Cohere API 호출을 위한 인증 정보 (Credential에 등록)	필수
Model Name	사용할 임베딩 모델 이름 (예: embed-english-v2.0)	필수
Type	임베딩 목적에 따른 처리 방식 설정 (search, classification 등)	필수

---

파라미터 (Parameters)

※ 이 노드는 별도 파라미터 항목 없이 기본 입력값만으로 설정됨

---

출력값 (Outputs)

출력 항목	설명
CohereEmbeddings	입력 텍스트에 대한 임베딩 벡터 배열

---

활용 예시

• 검색 기반 RAG 시스템에서 사용자 질문(search_query)과 문서(search_document)에 대한 임베딩 벡터 생성

• 제품 리뷰, 사용자 발언 등 텍스트 데이터를 벡터화하여 분류 모델에 입력 (classification)

• 문서 또는 문장 단위 데이터를 클러스터링 분석용 벡터로 변환 (clustering)

• 벡터 DB(Faiss, Pinecone 등)에 삽입하기 위한 표준화된 텍스트 임베딩 생성

---

사용 팁

• Type 설정은 필수입니다. 각 용도에 맞지 않는 Type을 사용할 경우 결과 벡터의 품질이 저하됩니다.

  • search_document: 문서 저장용

  • search_query: 검색용 사용자 질문

  • classification: 분류 모델 입력

  • clustering: K-means 등 군집화 입력

• search_document와 search_query는 반드시 짝으로 구성되어야 검색 정확도가 최적화됩니다.

• embed-multilingual 모델은 다국어 지원이 필요할 경우 선택하는 것이 적합합니다.

• 모델 버전(v2.0 등)은 차원 수 및 품질에 영향을 줄 수 있으므로 테스트 후 채택하세요.

---

주의사항

• Cohere API 키가 유효하지 않거나 쿼터가 초과되면 오류가 발생합니다.

• Type 항목을 설정하지 않으면 임베딩이 생성되지 않거나 목적과 맞지 않는 벡터가 생성될 수 있습니다.

• 모델 이름은 정확하게 입력해야 하며, 지원되지 않는 버전 입력 시 실패합니다.

• 입력 텍스트 길이에 따라 처리 시간과 비용이 달라질 수 있습니다.