Découvrez comment les modèles d’embeddings alimentent nombre des applications d’IA les plus enthousiasmantes. Apprenez à utiliser l’API OpenAI pour créer des embeddings et calculer la similarité sémantique entre des textes.

Le monde merveilleux des embeddings !

Qu’est-ce qu’un embedding ?

Applications des embeddings

Créer des embeddings

Explorer la réponse des embeddings

Explorer l’espace vectoriel

Créer des embeddings pour des descriptions de produits

Visualiser les descriptions intégrées

Similarité de texte

Calculer des distances cosinus

Des embeddings plus réutilisables

Trouver le produit le plus similaire

Que sont les embeddings ?

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

Recherche sémantique et embeddings enrichis

Enrichir les embeddings

Trier par similarité

Recherche sémantique de produits

Systèmes de recommandation

Système de recommandation de produits

Ajouter l’historique utilisateur au moteur de recommandation

Embeddings pour les tâches de classification

Créer des embeddings pour des avis de restaurants

Classifier le sentiment d’un avis

Agréger des descriptions plus détaillées

Des embeddings pour les applications d’IA

Pour déployer des applications à base d’embeddings en production, vous aurez besoin d’une solution efficace de stockage et d’interrogation de vecteurs : place aux bases de données vectorielles ! Vous apprendrez comment ces bases permettent de faire passer à l’échelle vos applications et vous commencerez à créer et enrichir vos propres bases vectorielles avec Chroma.

Bases de données vectorielles pour les systèmes d’embeddings

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’embeddings transforment des textes en représentations numériques. Cette capacité à encoder un texte et à capturer son sens sémantique fait des embeddings la base de nombreux usages de l’IA, comme les moteurs de recherche sémantique et les moteurs de recommandation. Dans ce cours, vous apprendrez à exploiter le modèle d’Embeddings d’OpenAI via l’API OpenAI pour créer des embeddings à partir de jeux de textes et commencer à développer des applications concrètes. Vous ferez aussi un grand pas vers des applications prêtes pour la production en découvrant les bases de données vectorielles pour stocker et interroger efficacement des textes embarqués.

<h2>Créez des applications d'IA puissantes</h2>
Les emboîtements nous permettent de représenter un texte de manière numérique, tout en capturant le contexte et l'intention qui se cachent derrière le texte. Vous découvrirez comment ces capacités peuvent permettre de créer des moteurs de recherche sémantique, qui peuvent effectuer des recherches basées sur le sens, des moteurs de recommandation plus pertinents et effectuer des tâches de classification telles que l'analyse des sentiments.<br><br>
<h2>Créez des embeddings à l'aide de l'API OpenAI</h2>L'API OpenAI dispose non seulement de points d'accès 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 en utilisant les modèles d'embeddings de pointe d'OpenAI pour capturer le sens sémantique du texte.<br><br>
<h2>Construire des moteurs de recherche sémantique et de recommandation</h2>
Les moteurs de recherche traditionnels s'appuient sur la correspondance des mots-clés pour renvoyer les résultats les plus pertinents aux utilisateurs, mais les techniques plus modernes utilisent les enchâssements, car ils peuvent capturer la signification sémantique du texte. Vous apprendrez à créer un moteur de recherche sémantique pour une plateforme de vente en ligne en utilisant le modèle d'intégration 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 s'appuient sur des enchâssements utilisent souvent une base de données vectorielle pour stocker et interroger le texte enchâssé 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'embedding d'OpenAI !

Introduction aux embeddings avec l’API OpenAI

Débloquez des applications d'IA plus avancées, comme la recherche sémantique et les moteurs de recommandation, en utilisant le modèle d'intégration d'OpenAI !

Associate AI Engineer pour développeurs

Développer des applications d'IA

Fondamentaux d’OpenAI

Senior Software Engineer, DataCamp

Semantic search and enriched embeddings

Semantic search

Enriched embeddings

Combining features with F-strings

Creating enriched embeddings

Computing distances

Returning the search results

Let's practice!

Des embeddings pour les applications d’IA - Recherche sémantique et embeddings enrichis

Recherche sémantique et embeddings enrichis

Create Your Free Account