Productbeschrijvingen embedden

Je hebt een lijst met woordenboeken gekregen, products, met productinformatie voor verschillende producten die een online winkel verkoopt. Jij gaat de 'short_description' van elk product embedden om semantisch zoeken op de website van de winkel mogelijk te maken.

Hier is een voorbeeld van de lijst products met woordenboeken:

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"
        ]
    },
    ...
]

Er is al een OpenAI-client aangemaakt en toegewezen aan client.

Deze oefening maakt deel uit van de cursus

Introductie tot Embeddings met de OpenAI API

Bekijk cursus

Oefeninstructies

Maak een lijst product_descriptions met de 'short_description' van elk product in products met een list comprehension.
Maak embeddings voor elke 'short_description' met batching en geef de input door aan het model text-embedding-3-small.
Haal de embeddings voor elk product uit response_dict en sla ze op in products onder een nieuwe sleutel 'embedding'.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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())

Code bewerken en uitvoeren