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

Die wunderbare Welt der Einbettungen!

Was sind Einbettungen?

Optionen

Embeddings

Keine Einbettungen

Anwendungen für Einbettungen

Einbettungen erstellen

Die Antwort auf die Einbettung untersuchen

Den Vektorraum erforschen

Produktbeschreibungen einbetten

Visualisierung der eingebetteten Beschreibungen

Textähnlichkeit

Berechnung von Kosinusabständen

Mehr wiederholbare Einbettungen

Das ähnlichste Produkt finden

Einbettungen ermöglichen leistungsstarke KI-Anwendungen, darunter semantische Suchmaschinen, Empfehlungsmaschinen und Klassifizierungsaufgaben wie die Sentimentanalyse. Lerne, wie du das Einbettungsmodell von OpenAI nutzen kannst, um diese spannenden Anwendungen zu ermöglichen!

Semantische Suche und angereicherte Einbettungen

Anreichernde Einbettungen

Sortieren nach Ähnlichkeit

Semantische Suche nach Produkten

Empfehlungssysteme

Produktempfehlungssystem

Hinzufügen der Benutzerhistorie zur Empfehlungsmaschine

Einbettungen für Klassifizierungsaufgaben

Restaurantbewertungen einbetten

Klassifizierung der Stimmung in Rezensionen

Ausführlichere Beschreibungen einbetten

Einbettungen für KI-Anwendungen

Um Anwendungen in die Produktion einbetten zu können, brauchst du eine effiziente Lösung für die Speicherung und Abfrage von Vektoren: die Vektordatenbank! Du erfährst, wie Vektordatenbanken bei der Skalierung von Einbettungsanwendungen helfen können und wie du mit Chroma deine eigenen Vektordatenbanken erstellst und erweiterst.

Vektordatenbanken für Einbettungssysteme

Metadaten oder keine Metadaten?

Auswahl einer Vektordatenbanklösung

Vektordatenbanken mit ChromaDB erstellen

Erste Schritte mit ChromaDB

Schätzung der Einbettungskosten mit Tiktoken

Hinzufügen von Daten zur Sammlung

Abfragen und Aktualisieren der Datenbank

Abfrage der Netflix-Sammlung

Aktualisieren und Löschen von Elementen in einer Sammlung

Mehrere Abfragen und Filterung

Abfragen mit mehreren Texten

Filtern anhand von Metadaten

Glückwunsch!

Vektordatenbanken

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Modelle zur Texteinbettung erstellen numerische Darstellungen aus Texteingaben. Diese Fähigkeit, Text zu kodieren und seine semantische Bedeutung zu erfassen, bedeutet, dass Einbettungsmodelle vielen Arten von KI-Anwendungen zugrunde liegen, z. B. semantischen Suchmaschinen und Empfehlungsmaschinen. In diesem Kurs lernst du, wie du das OpenAI-Embedding-Modell über die OpenAI-API nutzen kannst, um Embeddings aus Textdatensätzen zu erstellen und mit der Entwicklung realer Anwendungen zu beginnen. Du wirst auch einen großen Schritt in Richtung produktionsreife Anwendungen machen, indem du etwas über Vektordatenbanken lernst, um eingebettete Texte effizient zu speichern und abzufragen.

<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

Berechnung von Kosinusabständen

Einführung in Embeddings mit der OpenAI API

Interaktive Übung