Ontdek hoe embedding-modellen veel van de meest spannende AI-toepassingen aandrijven. Leer de OpenAI API gebruiken om embeddings te maken en de semantische gelijkenis tussen tekst te berekenen.

De wondere wereld van embeddings!

Wat zijn embeddings?

Toepassingen van embeddings

Embeddings maken

De response van embeddings uitpluizen

Het vectorruim­te verkennen

Productbeschrijvingen embedden

De ingesloten beschrijvingen visualiseren

Overeenkomst tussen teksten

Cosinusafstanden berekenen

Meer herhaalbare embeddings

Het meest vergelijkbare product vinden

Embeddings maken krachtige AI-toepassingen mogelijk, waaronder semantische zoekmachines, aanbevelingssystemen en classificatietaken zoals sentimentanalyse. Leer hoe je OpenAI’s embeddings-model gebruikt om deze spannende toepassingen te realiseren!

Semantisch zoeken en verrijkte embeddings

Embeddings verrijken

Sorteren op overeenkomst

Semantisch zoeken voor producten

Aanbevelingssystemen

Aanbevelingssysteem voor producten

Gebruikersgeschiedenis toevoegen aan de aanbevelingsengine

Embeddings voor classificatietaken

Embeddings voor restaurantreviews

Reviews op sentiment classificeren

Meer gedetailleerde beschrijvingen embedden

Embeddings voor AI-toepassingen

Om embedding-toepassingen in productie te draaien, heb je een efficiënte oplossing nodig voor vectoropslag en -queries: enter vector-databases! Je leert hoe vector-databases helpen om embedding-toepassingen op te schalen en je begint met het maken en uitbreiden van je eigen vector-databases met Chroma.

Vector-databases voor embedding-systemen

Opties

Metadata

Geen metadata

Metadata of geen metadata?

Een vectordatabankoplossing kiezen

Vector-databases maken met ChromaDB

Aan de slag met ChromaDB

Embed-kosten inschatten met tiktoken

Gegevens toevoegen aan de collectie

De database bevragen en bijwerken

De Netflix-collectie bevragen

Items bijwerken en verwijderen uit een collectie

Meerdere query’s en filteren

Query's uitvoeren met meerdere teksten

Filteren met metadata

Gefeliciteerd!

Vector-databases

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Text embedding-modellen zetten tekstinvoer om in numerieke representaties. Doordat ze tekst kunnen encoderen en de semantische betekenis vastleggen, vormen embedding-modellen de basis van veel AI-toepassingen, zoals semantische zoekmachines en aanbevelingssystemen. In deze cursus leer je hoe je OpenAI’s Embeddings-model via de OpenAI API inzet om embeddings te maken van tekstgegevens en begin je met het ontwikkelen van toepassingen voor de echte wereld. Je zet ook een grote stap richting productieklare apps door te leren over vector-databases om embedded tekst efficiënt op te slaan en te bevragen.

<h2>Ontwikkel krachtige AI-toepassingen</h2>
Embeddings stellen ons in staat tekst numeriek weer te geven en daarbij de context en intentie achter de tekst vast te leggen. Je leert hoe deze vaardigheden semantische zoekmachines mogelijk maken, die op basis van betekenis kunnen zoeken, relevantere aanbevelingssystemen en classificatietaken zoals sentimentanalyse kunnen uitvoeren.<br><br>
<h2>Embeddings maken met de OpenAI API</h2>De OpenAI API heeft niet alleen endpoints voor toegang tot de GPT- en Whisper-modellen, maar ook voor modellen waarmee embeddings kunnen worden gemaakt op basis van tekstinvoer. Je maakt embeddings met behulp van de geavanceerde embeddingsmodellen van OpenAI om de semantische betekenis van tekst vast te leggen.<br><br>
<h2>Bouw semantische zoek- en aanbevelingsengines</h2>
Traditionele zoekmachines vertrouwden op trefwoordmatching om gebruikers de meest relevante resultaten te tonen, maar modernere technieken gebruiken embeddings, omdat die de semantische betekenis van de tekst kunnen vastleggen. Je leert een semantische zoekmachine te bouwen voor een online retailplatform met behulp van OpenAI's embeddingsmodel, zodat gebruikers gemakkelijker de meest relevante producten kunnen vinden. Je leert ook hoe je een productaanbevelingssysteem maakt, dat is gebaseerd op dezelfde principes als semantische zoekopdrachten.<br><br>
<h2>Maak gebruik van vector databases</h2>
AI-toepassingen in productie die afhankelijk zijn van embeddings gebruiken vaak een vectordatabase om de geëncodeerde tekst efficiënter en reproduceerbaarder op te slaan en op te vragen. In deze cursus leer je ChromaDB te gebruiken, een open-source, zelfbeheerde vector database-oplossing, om embeddings op je lokale systeem te maken en op te slaan.

Working with the OpenAI API

Python Toolbox

Ontgrendel geavanceerde AI-toepassingen met OpenAI's embeddingmodel!

Introductie tot Embeddings met de OpenAI API

Ontgrendel geavanceerdere AI-toepassingen, zoals semantisch zoeken en aanbevelingsengines, met OpenAI's embeddingmodel!

Associate AI Engineer voor ontwikkelaars

AI-toepassingen ontwikkelen

OpenAI-basisprincipes

Een vectordatabankoplossing kiezen

Introductie tot Embeddings met de OpenAI API

Interactieve oefening met praktijkervaring