Entdecke, wie Embedding-Modelle viele der spannendsten KI-Anwendungen antreiben. Lerne, die OpenAI API zu nutzen, um Embeddings zu erstellen und die semantische Ähnlichkeit zwischen Texten zu berechnen.

Die wunderbare Welt der Embeddings!

Was sind Embeddings?

Optionen

Embeddings

Keine Embeddings

Anwendungen von Embeddings

Embeddings erstellen

Die Embeddings-Antwort genauer unter die Lupe nehmen

Den Vektorraum erkunden

Produktbeschreibungen embedden

Eingebettete Beschreibungen visualisieren

Textähnlichkeit

Kosinus-Distanzen berechnen

Wiederholbare Embeddings

Das ähnlichste Produkt finden

Embeddings ermöglichen leistungsstarke KI-Anwendungen, darunter semantische Suchmaschinen, Empfehlungssysteme und Klassifikationsaufgaben wie Sentiment-Analyse. Lerne, wie du OpenAIs Embeddings-Modell einsetzt, um diese spannenden Anwendungen zu realisieren!

Semantische Suche und angereicherte Embeddings

Embeddings anreichern

Nach Ähnlichkeit sortieren

Semantische Suche für Produkte

Empfehlungssysteme

Produktempfehlungssystem

Nutzerhistorie zur Empfehlungs-Engine hinzufügen

Embeddings für Klassifikationsaufgaben

Restaurantbewertungen einbetten

Bewertungen nach Stimmung klassifizieren

Ausführlichere Beschreibungen einbetten

Embeddings für KI-Anwendungen

Um Embedding-Anwendungen in der Produktion zu betreiben, brauchst du eine effiziente Lösung für Vektorspeicherung und -abfragen: Hier kommen Vektordatenbanken ins Spiel! Du lernst, wie Vektordatenbanken beim Skalieren von Embedding-Anwendungen helfen und beginnst, mit Chroma deine eigenen Vektordatenbanken zu erstellen und zu erweitern.

Vektordatenbanken für Embedding-Systeme

Metadaten oder nicht?

Eine Vektordatenbank-Lösung auswählen

Vektordatenbanken mit ChromaDB erstellen

Erste Schritte mit ChromaDB

Embedding-Kosten mit tiktoken schätzen

Daten zur Collection hinzufügen

Datenbank abfragen und aktualisieren

Die Netflix-Collection abfragen

Elemente in einer Collection aktualisieren und löschen

Mehrere Abfragen und Filtern

Abfragen mit mehreren Texten

Filtern mit Metadaten

Glückwunsch!

Vektordatenbanken

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Text-Embedding-Modelle erzeugen aus Texteingaben numerische Repräsentationen. Diese Fähigkeit, Text zu kodieren und seine semantische Bedeutung zu erfassen, ist die Grundlage vieler KI-Anwendungen wie semantischer Suchmaschinen und Empfehlungssysteme. In diesem Kurs lernst du, wie du das Embeddings-Modell von OpenAI über die OpenAI API nutzt, um Embeddings aus Textdatensätzen zu erzeugen und erste praxisnahe Anwendungen zu entwickeln. Außerdem machst du einen großen Schritt in Richtung produktionsreifer Anwendungen, indem du Vektordatenbanken kennenlernst, mit denen sich eingebettete Texte effizient speichern und abfragen lassen.

<h2>Leistungsstarke KI-Anwendungen ermöglichen</h2>
Einbettungen ermöglichen es uns, Text numerisch darzustellen und den Kontext und die Absicht hinter dem Text zu erfassen. Du erfährst, wie diese Fähigkeiten semantische Suchmaschinen ermöglichen, die auf der Grundlage von Bedeutungen suchen, relevantere Empfehlungsmaschinen entwickeln und Klassifizierungsaufgaben wie Stimmungsanalysen durchführen können.<br><br>
<h2>Einbettungen mit der OpenAI API erstellen</h2>Die OpenAI API hat nicht nur Endpunkte für den Zugriff auf ihre GPT- und Whisper-Modelle, sondern auch für Modelle zur Erstellung von Einbettungen aus Texteingaben. Du erstellst Einbettungen mit den hochmodernen Einbettungsmodellen von OpenAI, um die semantische Bedeutung von Text zu erfassen.<br><br>
<h2>Semantische Such- und Empfehlungsmaschinen aufbauen</h2>
Traditionelle Suchmaschinen stützen sich auf den Abgleich von Schlüsselwörtern, um den Nutzern die relevantesten Ergebnisse zu liefern, aber modernere Techniken verwenden Einbettungen, da sie die semantische Bedeutung des Textes erfassen können. Du lernst, wie du mit dem Einbettungsmodell von OpenAI eine semantische Suchmaschine für eine Online-Einzelhandelsplattform erstellst, damit die Nutzer/innen leichter die relevantesten Produkte finden können. Du lernst auch, wie du ein Produktempfehlungssystem erstellst, das auf denselben Prinzipien wie die semantische Suche aufbaut.<br><br>
<h2>Vektordatenbanken nutzen</h2>
KI-Anwendungen in der Produktion, die auf Einbettungen angewiesen sind, verwenden oft eine Vektordatenbank, um den eingebetteten Text effizienter und reproduzierbarer zu speichern und abzufragen. In diesem Kurs lernst du, wie du mit ChromaDB, einer selbstverwalteten Open-Source-Vektor-Datenbanklösung, Einbettungen auf deinem lokalen System erstellen und speichern kannst.

Working with the OpenAI API

Python Toolbox

Nutzen Sie OpenAIs Einbettungsmodell für fortschrittliche KI-Anwendungen wie semantische Suche!

Einführung in Embeddings mit der OpenAI API

Schalte fortgeschrittene KI-Anwendungen wie semantische Suche und Empfehlungsmaschinen mit dem Einbettungsmodell von OpenAI frei!

Associate AI Engineer für Entwickler

Entwicklung von KI-Anwendungen

OpenAI Grundlagen

Kosinus-Distanzen berechnen

Einführung in Embeddings mit der OpenAI API

Interaktive Übung