Odkryj, w jaki sposób modele osadzeń napędzają wiele z najbardziej fascynujących aplikacji AI. Naucz się korzystać z OpenAI API, aby tworzyć osadzenia i obliczać podobieństwo semantyczne między tekstami.

Fascynujący świat osadzeń!

Czym są osadzenia (embeddings)?

Opcje

Osadzenia

Nie osadzenia

Zastosowania osadzeń

Tworzenie osadzeń

Analiza odpowiedzi z embeddingów

Badanie przestrzeni wektorowej

Osadzanie opisów produktów

Wizualizacja osadzeń opisów produktów

Podobieństwo tekstu

Obliczanie odległości cosinusowej

Osadzenia wielokrotnego użytku

Znajdowanie najbardziej podobnego produktu

Czym są osadzenia?

Osadzenia umożliwiają tworzenie zaawansowanych aplikacji AI – takich jak semantyczne wyszukiwarki, silniki rekomendacji czy zadania klasyfikacyjne, na przykład analiza sentymentu. Dowiedz się, jak wykorzystać model osadzeń OpenAI do budowania tych aplikacji!

Wyszukiwanie semantyczne i wzbogacone osadzenia

Wzbogacanie osadzeń

Sortowanie według podobieństwa

Wyszukiwanie semantyczne produktów

Systemy rekomendacji

System rekomendacji produktów

Uwzględnianie historii użytkownika w silniku rekomendacji

Osadzenia w zadaniach klasyfikacji

Osadzanie recenzji restauracji

Klasyfikacja wydźwięku recenzji

Osadzanie bardziej szczegółowych opisów

Osadzenia w aplikacjach AI

Aby wdrożyć aplikacje oparte na osadzeniach w środowisku produkcyjnym, potrzebne jest wydajne rozwiązanie do przechowywania i odpytywania wektorów – do tego służą bazy wektorów! Dowiesz się, jak bazy wektorów pomagają skalować aplikacje osadzeń, i zaczniesz tworzyć własne bazy wektorów oraz uzupełniać je o nowe dane przy użyciu Chroma.

Wektorowe bazy danych w systemach osadzeń

Metadane czy nie?

Wybór rozwiązania dla bazy wektorów

Tworzenie wektorowych baz danych z ChromaDB

Pierwsze kroki z ChromaDB

Szacowanie kosztów osadzania za pomocą tiktoken

Dodawanie danych do kolekcji

Zapytania do bazy danych i jej aktualizacja

Zapytania do kolekcji Netflix

Aktualizowanie i usuwanie elementów z kolekcji

Wiele zapytań i filtrowanie

Zapytania z wieloma tekstami

Filtrowanie przy użyciu metadanych

Gratulacje!

Bazy wektorów

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Modele osadzeń tekstu tworzą reprezentacje numeryczne na podstawie danych tekstowych. Zdolność do kodowania tekstu i uchwycenia jego semantycznego znaczenia sprawia, że modele osadzeń stanowią fundament wielu aplikacji AI – takich jak semantyczne wyszukiwarki czy silniki rekomendacji. W tym kursie nauczysz się, jak korzystać z modelu osadzeń OpenAI za pośrednictwem OpenAI API, tworzyć osadzenia na podstawie zbiorów danych tekstowych i budować aplikacje gotowe do użycia w praktyce. Poznasz też bazy wektorów, które umożliwiają wydajne przechowywanie i odpytywanie osadzonych tekstów.

<h2>Twórz potężne aplikacje AI</h2>
Embeddings pozwalają nam przedstawiać tekst numerycznie, uchwytując kontekst i intencję stojące za tekstem. Dowiesz się, jak te umiejętności mogą umożliwiać semantyczne wyszukiwarki, które wyszukują na podstawie znaczenia, bardziej trafne systemy rekomendacji oraz wykonywać zadania klasyfikacji, takie jak analiza sentymentu.<br><br>
<h2>Twórz embeddingi za pomocą OpenAI API</h2>OpenAI API oferuje nie tylko endpointy do korzystania z modeli GPT i Whisper, ale także modele do tworzenia embeddingów z danych tekstowych. Będziesz tworzyć embeddingi za pomocą najnowocześniejszych modeli embeddingów OpenAI, aby uchwycić semantyczne znaczenie tekstu.<br><br>
<h2>Twórz semantyczne wyszukiwanie i silniki rekomendacji</h2>
Tradycyjne wyszukiwarki opierały się na dopasowywaniu słów kluczowych, aby zwracać użytkownikom najbardziej trafne wyniki, ale nowocześniejsze techniki wykorzystują embeddingi, ponieważ potrafią uchwycić semantyczne znaczenie tekstu. Nauczysz się tworzyć semantyczną wyszukiwarkę dla platformy handlu internetowego z wykorzystaniem modelu embeddingów OpenAI, aby użytkownicy mogli łatwiej znajdować najbardziej trafne produkty. Nauczysz się także, jak tworzyć system rekomendacji produktów, który opiera się na tych samych zasadach co wyszukiwanie semantyczne.<br><br>
<h2>Wykorzystaj bazy danych wektorowych</h2>
Aplikacje AI w środowisku produkcyjnym, które opierają się na embeddingach, często korzystają z bazy danych wektorowej do przechowywania i wyszukiwania osadzonego tekstu w bardziej wydajny i powtarzalny sposób. W tym kursie nauczysz się korzystać z ChromaDB, otwartoźródłowego, samodzielnie zarządzanego rozwiązania bazy danych wektorowych, aby tworzyć i przechowywać embeddingi na swoim lokalnym systemie.

Working with the OpenAI API

Python Toolbox

Odblokuj zaawansowane aplikacje AI, jak wyszukiwanie semantyczne i rekomendacje z modelem OpenAI!

Wprowadzenie do osadzeń z OpenAI API

Odblokuj bardziej zaawansowane zastosowania AI, takie jak wyszukiwanie semantyczne i systemy rekomendacji, używając modelu embedding OpenAI!

Inżynier AI Associate dla programistów

Tworzenie aplikacji AI

Podstawy OpenAI

Czym są osadzenia (embeddings)?

Wprowadzenie do osadzeń z OpenAI API

Interaktywne ćwiczenie praktyczne