Scopri come i modelli di embeddings alimentano molte tra le applicazioni di AI più interessanti. Impara a usare l'API di OpenAI per creare embeddings e calcolare la similarità semantica tra testi.

Il meraviglioso mondo degli embeddings!

Cosa sono gli embeddings?

Applicazioni degli embeddings

Creare embeddings

Analizzare la risposta degli embeddings

Esplorare lo spazio vettoriale

Creare embedding delle descrizioni prodotto

Visualizzare le descrizioni incorporate

Somiglianza testuale

Calcolare le distanze coseno

Embedding più ripetibili

Trovare il prodotto più simile

Che cosa sono gli Embeddings?

Gli embeddings abilitano potenti applicazioni di AI, tra cui motori di ricerca semantica, motori di raccomandazione e attività di classificazione come l'analisi del sentiment. Impara a usare il modello di embeddings di OpenAI per rendere possibili queste applicazioni entusiasmanti!

Ricerca semantica ed embeddings arricchiti

Arricchire gli embeddings

Ordinare per somiglianza

Ricerca semantica di prodotti

Sistemi di raccomandazione

Sistema di raccomandazione prodotti

Aggiungere la cronologia utente al motore di raccomandazione

Embeddings per i task di classificazione

Embedding per le recensioni dei ristoranti

Classificazione del sentiment delle recensioni

Embedding di descrizioni più dettagliate

Embeddings per applicazioni di AI

Per portare in produzione le applicazioni basate su embeddings, serve una soluzione efficiente per l'archiviazione e l'interrogazione vettoriale: entrano in gioco i database vettoriali! Imparerai come i database vettoriali aiutano a scalare le applicazioni con embeddings e inizierai a creare e arricchire i tuoi database vettoriali usando Chroma.

Database vettoriali per sistemi basati su embedding

Opzioni

Metadata

Non metadata

Metadata o non metadata?

Scegliere una soluzione di database vettoriale

Creare database vettoriali con ChromaDB

Primi passi con ChromaDB

Stima dei costi degli embedding con tiktoken

Aggiungere dati alla collection

Interrogare e aggiornare il database

Interrogare la collection di Netflix

Aggiornare ed eliminare elementi da una collection

Query multiple e filtraggio

Eseguire query con testi multipli

Filtrare usando i metadati

Congratulazioni!

Database vettoriali

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

I modelli di text embedding creano rappresentazioni numeriche a partire da input testuali. Questa capacità di codificare il testo e catturarne il significato semantico è alla base di molti tipi di applicazioni di AI, come i motori di ricerca semantica e i motori di raccomandazione. In questo corso imparerai a sfruttare il modello Embeddings di OpenAI tramite l'API di OpenAI per creare embeddings da insiemi di dati testuali e iniziare a sviluppare applicazioni reali. Farai anche un grande passo verso applicazioni pronte per la produzione imparando a usare i database vettoriali per archiviare e interrogare in modo efficiente testi incorporati.

<h2>Abilita potenti applicazioni di IA</h2>
Gli embedding ci permettono di rappresentare il testo in forma numerica, catturando il contesto e l’intento dietro il testo. Imparerai come queste competenze possano abilitare motori di ricerca semantica, in grado di cercare in base al significato, motori di raccomandazione più pertinenti ed eseguire attività di classificazione come l'analisi del sentiment.<br><br>
<h2>Crea embedding utilizzando l'API OpenAI</h2>L'API OpenAI non offre solo endpoint per accedere ai suoi modelli GPT e Whisper, ma anche modelli per creare embedding a partire da input di testo. Creerai embedding utilizzando i modelli di embedding all’avanguardia di OpenAI per catturare il significato semantico del testo.<br><br>
<h2>Crea motori di ricerca semantica e di raccomandazione</h2>
I motori di ricerca tradizionali si basavano sulla corrispondenza delle parole chiave per restituire agli utenti i risultati più pertinenti, ma le tecniche più moderne utilizzano gli embedding, poiché sono in grado di cogliere il significato semantico del testo. Imparerai a creare un motore di ricerca semantica per una piattaforma di vendita al dettaglio online utilizzando il modello di embedding di OpenAI, così gli utenti potranno trovare più facilmente i prodotti più pertinenti. Imparerai anche come creare un sistema di raccomandazione dei prodotti, basato sugli stessi principi della ricerca semantica.<br><br>
<h2>Utilizza i database vettoriali</h2>
Le applicazioni di IA in produzione che si basano sugli embedding spesso utilizzano un database vettoriale per archiviare e interrogare il testo incorporato in modo più efficiente e riproducibile. In questo corso, imparerai a usare ChromaDB, una soluzione open source di database vettoriale self-managed, per creare e archiviare embedding sul tuo sistema locale.

Working with the OpenAI API

Python Toolbox

Sblocca applicazioni AI avanzate, come ricerca semantica e motori di raccomandazione, con il modello OpenAI!

Introduzione agli Embeddings con l'API di OpenAI

Sblocca applicazioni AI più avanzate, come la ricerca semantica e i motori di raccomandazione, usando il modello di embedding di OpenAI!

Ingegnere AI associato per sviluppatori

Sviluppare applicazioni AI

Fondamenti di OpenAI

Scegliere una soluzione di database vettoriale

Introduzione agli Embeddings con l'API di OpenAI

esercizio interattivo pratico