Hledání nejpodobnějšího produktu

Schopnost počítat podobnost mezi embeddingy je klíčovým krokem v aplikacích pracujících s embeddingy. V tomto cvičení se vrátíš k seznamu slovníků products, se kterým jsi pracoval/a dříve — obsahuje krátké popisy produktů převedené do embeddingů, které jsi vytvořil/a předtím.

Porovnáš zadaný text s těmito embeddingy, abys našel/la nejpodobnější popis.

numpy je importováno jako np a distance je dostupné z scipy.spatial. Funkce create_embeddings() je již definována a připravena k použití pro vytváření embeddingů z jednoho vstupu.

Toto cvičení je součástí kurzu

Introduction to Embeddings with the OpenAI API

Zobrazit kurz

Pokyny k cvičení

Převeď text "soap" na embedding pomocí vlastní funkce create_embeddings() a získej jeden seznam embeddingů.
Vypočítej cosinovou vzdálenost mezi query_embedding a embeddingy v product.
Najdi a vypiš 'short_description' produktu nejpodobnějšího hledanému textu — využij k tomu cosinové vzdálenosti uložené v distances.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Embed the search text
search_text = "soap"
search_embedding = ____

distances = []
for product in products:
  # Compute the cosine distance for each product description
  dist = ____(search_embedding, ____)
  distances.append(dist)

# Find and print the most similar product short_description    
min_dist_ind = ____
print(____)

Upravit a spustit kód