Découvrez comment les modèles d'embedding alimentent plusieurs des applications d'IA les plus prometteuses. Apprenez à utiliser l'API d'OpenAI pour créer des embeddings et calculer la similarité sémantique entre des textes.

Le monde fascinant des embeddings !

Que sont les embeddings?

Applications des embeddings

Créer des embeddings

Analyser la réponse des embeddings

Explorer l'espace vectoriel

Intégrer des descriptions de produits

Visualiser les descriptions intégrées

Similarité de texte

Calculer des distances cosinus

Des embeddings plus reproductibles

Trouver le produit le plus similaire

Qu'est-ce qu'un embedding?

Les embeddings rendent possibles de puissantes applications d'IA, notamment les moteurs de recherche sémantique, les moteurs de recommandation et des tâches de classification comme l'analyse de sentiment. Apprenez à utiliser le modèle d'embeddings d'OpenAI pour activer ces applications passionnantes!

Recherche sémantique et plongements enrichis

Enrichir les embeddings

Trier par similarité

Recherche sémantique de produits

Systèmes de recommandation

Système de recommandation de produits

Ajouter l'historique de l'utilisateur au moteur de recommandation

Utiliser les embeddings pour les tâches de classification

Créer des embeddings pour des avis de restaurants

Classifier le sentiment d'un avis

Créer des embeddings à partir de descriptions plus détaillées

Les embeddings pour les applications d'IA

Pour déployer des applications d'embedding en production, vous aurez besoin d'une solution efficace de stockage et d'interrogation vectoriels : place aux bases de données vectorielles! Vous verrez comment elles aident à faire évoluer les applications d'embedding et vous commencerez à créer et enrichir vos propres bases de données vectorielles avec Chroma.

Bases de données vectorielles pour les systèmes d'embedddings

Métadonnées ou pas métadonnées ?

Choisir une solution de base de données vectorielle

Créer des bases de données vectorielles avec ChromaDB

Premiers pas avec ChromaDB

Estimer les coûts d'embedding avec tiktoken

Ajouter des données à la collection

Interroger et mettre à jour la base de données

Interroger la collection Netflix

Mettre à jour et supprimer des éléments d'une collection

Requêtes multiples et filtrage

Interroger avec plusieurs textes

Filtrer à l'aide des métadonnées

Félicitations !

Bases de données vectorielles

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Les modèles d'embedding transforment des textes en représentations numériques. Comme ils encodent le texte et en capturent le sens, ils servent de fondation à de nombreuses applications d'IA, comme les moteurs de recherche sémantique et les moteurs de recommandation. Dans ce cours, vous apprendrez à utiliser le modèle d'Embeddings d'OpenAI via l'API d'OpenAI pour créer des embeddings à partir de jeux de données textuels et commencer à développer des applications concrètes. Vous ferez aussi un grand pas vers des applications prêtes pour la mise en production en découvrant les bases de données vectorielles pour stocker et interroger efficacement des textes encodés.

<h2>Permettez des applications d’IA puissantes</h2>
Les embeddings nous permettent de représenter le texte numériquement, en capturant le contexte et l’intention derrière le texte. Vous apprendrez comment ces capacités peuvent permettre aux moteurs de recherche sémantique, qui peuvent effectuer des recherches basées sur le sens, aux moteurs de recommandation plus pertinents et aux tâches de classification comme l’analyse des sentiments.<br><br>
<h2>Créer des embeddings à l’aide de l’API OpenAI</h2>L’API OpenAI ne propose pas seulement des points de terminaison pour accéder à ses modèles GPT et Whisper, mais aussi à des modèles permettant de créer des embeddings à partir d’entrées textuelles. Vous créerez des embeddings à l’aide des modèles d’embeddings de pointe d’OpenAI pour capturer le sens sémantique du texte.<br><br>
<h2>Créer des moteurs de recherche sémantique et de recommandation</h2>
Les moteurs de recherche traditionnels s’appuyaient sur la correspondance de mots-clés pour afficher aux utilisateurs les résultats les plus pertinents, mais les techniques plus modernes utilisent des embeddings, car ils peuvent saisir le sens sémantique du texte. Vous apprendrez à créer un moteur de recherche sémantique pour une plateforme de vente au détail en ligne à l’aide du modèle d’embeddings d’OpenAI, afin que les utilisateurs puissent trouver plus facilement les produits les plus pertinents. Vous apprendrez également à créer un système de recommandation de produits, qui repose sur les mêmes principes que la recherche sémantique.<br><br>
<h2>Utiliser les bases de données vectorielles</h2>
Les applications d’IA en production qui reposent sur des embeddings utilisent souvent une base de données vectorielle pour stocker et interroger le texte vectorisé de manière plus efficace et reproductible. Dans ce cours, vous apprendrez à utiliser ChromaDB, une solution de base de données vectorielle open source et autogérée, pour créer et stocker des embeddings sur votre système local.

Working with the OpenAI API

Python Toolbox

Débloquez des applications IA avancées avec le modèle d'OpenAI pour la recherche sémantique!

Introduction aux embeddings avec l'API d'OpenAI

Débloquez des applications d’IA plus avancées, comme la recherche sémantique et les moteurs de recommandation, grâce au modèle d’intégration d’OpenAI !

Ingénieur IA associé pour développeurs

Développer des applications d’IA

Notions fondamentales d’OpenAI

Senior Software Engineer, DataCamp

Recherche sémantique

Plongements enrichis

Combiner des caractéristiques avec des F-strings

Créer des plongements enrichis

Calculer les distances

Renvoyer les résultats de recherche

Passons à la pratique !

Les embeddings pour les applications d'IA - Recherche sémantique et plongements enrichis

Recherche sémantique et plongements enrichis

Create Your Free Account