Creare embedding delle descrizioni prodotto

Ti è stato fornito un elenco di dizionari chiamato products, che contiene le informazioni sui diversi prodotti venduti da un rivenditore online. Il tuo compito è creare l''short_description' per ogni prodotto per abilitare la ricerca semantica sul sito del rivenditore.

Ecco un'anteprima dell'elenco di dizionari products:

products = [
    {
        "title": "Smartphone X1",
        "short_description": "The latest flagship smartphone with AI-powered features and 5G connectivity.",
        "price": 799.99,
        "category": "Electronics",
        "features": [
            "6.5-inch AMOLED display",
            "Quad-camera system with 48MP main sensor",
            "Face recognition and fingerprint sensor",
            "Fast wireless charging"
        ]
    },
    ...
]

Un client OpenAI è già stato creato e assegnato a client.

Questo esercizio fa parte del corso

Introduzione agli Embeddings con l'API di OpenAI

Visualizza corso

Istruzioni dell'esercizio

Crea un elenco chiamato product_descriptions contenente l''short_description' per ogni prodotto in products usando una list comprehension.
Crea gli embeddings per ogni 'short_description' di prodotto usando il batching, passando l'input al modello text-embedding-3-small.
Estrai gli embeddings per ciascun prodotto da response_dict e salvali in products sotto una nuova chiave chiamata 'embedding'.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Extract a list of product short descriptions from products
product_descriptions = [____ for product in ____]

# Create embeddings for each product description
response = ____
response_dict = response.model_dump()

# Extract the embeddings from response_dict and store in products
for i, product in ____:
    product['embedding'] = response_dict[____][____][____]
    
print(products[0].items())

Modifica ed esegui il codice