Temukan bagaimana model embeddings mendukung banyak aplikasi AI yang paling menarik. Pelajari menggunakan OpenAI API untuk membuat embedding dan menghitung kemiripan semantik antar teks.

Dunia embeddings yang menakjubkan!

Apa itu embeddings?

Opsi

Embeddings

Bukan embeddings

Aplikasi embeddings

Membuat embeddings

Menyelami respons embeddings

Menyelidiki ruang vektor

Membuat embedding deskripsi produk

Memvisualisasikan deskripsi yang di-embed

Kesamaan teks

Menghitung jarak kosinus

Embedding yang lebih mudah diulang

Menemukan produk yang paling mirip

Apa itu Embeddings?

Embeddings memampukan aplikasi AI yang kuat, termasuk mesin pencari semantik, mesin rekomendasi, dan tugas klasifikasi seperti analisis sentimen. Pelajari cara menggunakan model embeddings OpenAI untuk mewujudkan aplikasi-aplikasi menarik ini!

Pencarian semantik dan embedding yang diperkaya

Memperkaya embedding

Mengurutkan berdasarkan kemiripan

Pencarian semantik untuk produk

Sistem rekomendasi

Sistem rekomendasi produk

Menambahkan riwayat pengguna ke mesin rekomendasi

Embedding untuk tugas klasifikasi

Membuat embedding ulasan restoran

Klasifikasi sentimen ulasan

Menyematkan deskripsi yang lebih terperinci

Embeddings untuk Aplikasi AI

Untuk mengaktifkan aplikasi embedding di lingkungan produksi, Anda memerlukan solusi penyimpanan dan kueri vektor yang efisien: di sinilah basis data vektor berperan! Anda akan mempelajari bagaimana basis data vektor membantu menskalakan aplikasi embedding serta mulai membuat dan menambahkan basis data vektor Anda sendiri menggunakan Chroma.

Basis data vektor untuk sistem embedding

Metadata atau bukan metadata?

Memilih solusi basis data vektor

Membuat basis data vektor dengan ChromaDB

Mulai menggunakan ChromaDB

Mengestimasi biaya embedding dengan tiktoken

Menambahkan data ke koleksi

Mengkueri dan memperbarui basis data

Melakukan kueri pada koleksi Netflix

Memperbarui dan menghapus item dari sebuah koleksi

Beberapa kueri dan pemfilteran

Melakukan kueri dengan banyak teks

Penyaringan menggunakan metadata

Selamat!

Basis Data Vektor

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Model embedding teks menghasilkan representasi numerik dari masukan teks. Kemampuan untuk mengodekan teks dan menangkap makna semantiknya menjadikan model embedding sebagai dasar bagi banyak aplikasi AI, seperti mesin pencari semantik dan mesin rekomendasi. Dalam kursus ini, Anda akan mempelajari cara memanfaatkan model Embeddings dari OpenAI melalui OpenAI API untuk membuat embedding dari himpunan data teks dan mulai mengembangkan aplikasi dunia nyata. Anda juga akan mengambil langkah besar menuju pembuatan aplikasi siap produksi dengan mempelajari basis data vektor untuk menyimpan dan melakukan kueri teks ter-embedding secara efisien.

<h2>Aktifkan Aplikasi AI yang Kuat</h2>
Embedding memungkinkan kita merepresentasikan teks secara numerik, menangkap konteks dan maksud di balik teks tersebut. Anda akan mempelajari bagaimana kemampuan ini dapat memungkinkan mesin pencari semantik, yang dapat mencari berdasarkan makna, mesin rekomendasi yang lebih relevan, dan melakukan tugas klasifikasi seperti analisis sentimen.<br><br>
<h2>Buat Embedding Menggunakan OpenAI API</h2>OpenAI API tidak hanya memiliki endpoint untuk mengakses model GPT dan Whisper, tetapi juga model untuk membuat embedding dari input teks. Anda akan membuat embedding menggunakan model embedding mutakhir dari OpenAI untuk menangkap makna semantik teks.<br><br>
<h2>Bangun Mesin Pencarian Semantik dan Rekomendasi</h2>
Mesin pencari tradisional mengandalkan pencocokan kata kunci untuk menampilkan hasil yang paling relevan kepada pengguna, tetapi teknik yang lebih modern menggunakan embedding, karena dapat menangkap makna semantik dari teks. Anda akan belajar membuat mesin pencari semantik untuk platform ritel online menggunakan model embedding OpenAI, sehingga pengguna dapat lebih mudah menemukan produk yang paling relevan. Anda juga akan mempelajari cara membuat sistem rekomendasi produk, yang dibangun berdasarkan prinsip yang sama seperti semantic search.<br><br>
<h2>Manfaatkan Basis Data Vektor</h2>
Aplikasi AI dalam produksi yang mengandalkan embedding sering menggunakan basis data vektor untuk menyimpan dan melakukan kueri pada teks yang di-embed dengan cara yang lebih efisien dan dapat direproduksi. Dalam kursus ini, Anda akan belajar menggunakan ChromaDB, solusi basis data vektor sumber terbuka yang dikelola sendiri, untuk membuat dan menyimpan embedding di sistem lokal Anda.

Working with the OpenAI API

Python Toolbox

Gunakan model embedding OpenAI untuk aplikasi AI canggih seperti pencarian semantik dan rekomendasi!

Pengantar Embeddings dengan OpenAI API

Buka aplikasi AI yang lebih canggih, seperti pencarian semantik dan mesin rekomendasi, dengan model embedding OpenAI!

Dunia embeddings yang menakjubkan!

Create Your Free Account