Découvrez comment les modèles d'intégration (embeddings) alimentent bon nombre des applications d'IA les plus passionnantes. Apprenez à utiliser l'API OpenAI pour créer des embeddings et calculer la similarité sémantique entre les textes.

Le monde merveilleux de l'intégration !

Qu'est-ce qu'un "embeddings" ?

Options

Emboîtements

Pas d'encastrement

Applications d'intégration

Création d'embeddings

La réponse à la question de l'encastrement

Étudier l'espace vectoriel

Intégrer des descriptions de produits

Visualisation des descriptions intégrées

Similitude des textes

Calcul des distances en cosinus

Plus d'encastrements reproductibles

Trouver le produit le plus similaire

Qu'est-ce qu'un emboîtement ?

Les embeddings permettent de réaliser de puissantes applications d'intelligence artificielle, notamment des moteurs de recherche sémantique, des moteurs de recommandation et des tâches de classification telles que l'analyse des sentiments. Apprenez à utiliser le modèle d'intégration d'OpenAI pour mettre en œuvre ces applications passionnantes !

Recherche sémantique et encastrements enrichis

Enrichir les encastrements

Tri par similarité

Recherche sémantique de produits

Systèmes de recommandation

Système de recommandation de produits

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

Embeddings pour les tâches de classification

Intégrer des critiques de restaurants

Classifier le sentiment des critiques

Intégrer des descriptions plus détaillées

Embeddings pour les applications de l'IA

Pour pouvoir intégrer des applications dans la production, vous avez besoin d'une solution efficace de stockage et d'interrogation des vecteurs : les bases de données vectorielles ! Vous apprendrez comment les bases de données vectorielles peuvent contribuer à la mise à l'échelle des applications d'intégration et commencerez à créer et à enrichir vos propres bases de données vectorielles à l'aide de Chroma.

Bases de données vectorielles pour les systèmes d'intégration

Métadonnées ou pas métadonnées ?

Choisir une solution de base de données vectorielle

Créer des bases de données vectorielles avec ChromaDB

Démarrer avec ChromaDB

Estimation des coûts d'intégration avec tiktoken

Ajouter des données à la collection

Interroger et mettre à jour la base de données

Interroger la collection Netflix

Mise à jour et suppression d'éléments d'une collection

Requêtes multiples et filtrage

Interroger avec plusieurs textes

Filtrage à l'aide de métadonnées

Félicitations !

Bases de données vectorielles

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Les modèles d'intégration de texte créent des représentations numériques à partir de textes. Cette capacité à coder le texte et à capturer sa signification sémantique signifie que les modèles d'intégration sont à la base de nombreux types d'applications d'intelligence artificielle, comme les moteurs de recherche sémantique et les moteurs de recommandation. Dans ce cours, vous apprendrez à exploiter le modèle Embeddings d'OpenAI via l'API OpenAI pour créer des embeddings à partir d'ensembles de données textuelles et commencer à développer des applications réelles. Vous ferez également un grand pas vers la création d'applications prêtes à la production en vous familiarisant avec les bases de données vectorielles qui permettent de stocker et d'interroger efficacement les textes intégrés.

<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 à l'intégration 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 !

Étudier l'espace vectoriel

Create Your Free Account