Descubra como os modelos de embeddings potencializam muitos dos aplicativos de IA mais interessantes. Aprenda a usar o OpenAI API para criar embeddings e calcular a similaridade semântica entre textos.

O maravilhoso mundo dos embeddings!

O que são embeddings?

Aplicativos de incorporação

Criação de incorporações

Analisando a resposta dos embeddings

Investigando o espaço vetorial

Incorporação de descrições de produtos

Visualizando as descrições incorporadas

Similaridade de texto

Cálculo de distâncias de cosseno

Mais incorporações repetíveis

Encontrar o produto mais semelhante

O que são Embeddings?

Os Embeddings possibilitam aplicativos avançados de IA, incluindo mecanismos de pesquisa semântica, mecanismos de recomendação e tarefas de classificação, como análise de sentimentos. Saiba como usar o modelo de incorporação da OpenAI para habilitar esses aplicativos interessantes!

Pesquisa semântica e incorporações enriquecidas

Enriquecimento de embeddings

Classificação por similaridade

Pesquisa semântica de produtos

Sistemas de recomendação

Sistema de recomendação de produtos

Adição do histórico do usuário ao mecanismo de recomendação

Embeddings para tarefas de classificação

Incorporação de avaliações de restaurantes

Classificação do sentimento da avaliação

Incorporação de descrições mais detalhadas

Embeddings para aplicativos de IA

Para permitir a incorporação de aplicativos na produção, você precisará de uma solução eficiente de armazenamento e consulta de vetores: os bancos de dados vetoriais! Você aprenderá como os bancos de dados vetoriais podem ajudar a dimensionar os aplicativos de incorporação e começará a criar e adicionar aos seus próprios bancos de dados vetoriais usando o Chroma.

Bancos de dados vetoriais para sistemas de incorporação

Opções

Metadata

Não são metadados

Para metadados ou não para metadados?

Escolha de uma solução de banco de dados vetorial

Criando bancos de dados vetoriais com o ChromaDB

Como começar a usar o ChromaDB

Estimativa de custos de incorporação com tiktoken

Adicionar dados à coleção

Consultar e atualizar o banco de dados

Consultando a coleção da Netflix

Atualização e exclusão de itens de uma coleção

Várias consultas e filtragem

Consulta com vários textos

Filtragem usando metadados

Parabéns!

Bancos de dados vetoriais

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Os modelos de incorporação de texto criam representações numéricas a partir de entradas de texto. Essa capacidade de codificar o texto e capturar seu significado semântico significa que os modelos de incorporação são a base de muitos tipos de aplicativos de IA, como mecanismos de pesquisa semântica e mecanismos de recomendação. Neste curso, você aprenderá a aproveitar o modelo Embeddings da OpenAI por meio do OpenAI API para criar embeddings a partir de conjuntos de dados de texto e começar a desenvolver aplicativos do mundo real. Você também dará um grande passo em direção à criação de aplicativos prontos para produção, aprendendo sobre bancos de dados vetoriais para armazenar e consultar textos incorporados com eficiência.

<h2>Habilite aplicativos avançados de IA</h2>
Os embeddings nos permitem representar o texto numericamente, capturando o contexto e a intenção por trás do texto. Você aprenderá como essas habilidades podem permitir mecanismos de pesquisa semântica, que podem pesquisar com base no significado, mecanismos de recomendação mais relevantes e executar tarefas de classificação, como análise de sentimentos.<br><br>
<h2>Criar embeddings usando a API OpenAI</h2>A API da OpenAI não só tem pontos de extremidade para acessar seus modelos GPT e Whisper, mas também para modelos de criação de embeddings a partir de entradas de texto. Você criará embeddings usando os modelos de embeddings de última geração da OpenAI para capturar o significado semântico do texto.<br><br>
<h2>Crie mecanismos de recomendação e pesquisa semântica</h2>
Os mecanismos de pesquisa tradicionais dependiam da correspondência de palavras-chave para retornar os resultados mais relevantes aos usuários, mas as técnicas mais modernas usam embeddings, pois podem capturar o significado semântico do texto. Você aprenderá a criar um mecanismo de pesquisa semântica para uma plataforma de varejo on-line usando o modelo de incorporação da OpenAI, para que os usuários possam encontrar mais facilmente os produtos mais relevantes. Você também aprenderá a criar um sistema de recomendação de produtos, que se baseia nos mesmos princípios da pesquisa semântica.<br><br>
<h2>Utilizar bancos de dados vetoriais</h2>
Os aplicativos de IA em produção que dependem de embeddings geralmente usam um banco de dados vetorial para armazenar e consultar o texto embutido de forma mais eficiente e reproduzível. Neste curso, você aprenderá a usar o ChromaDB, uma solução de banco de dados vetorial de código aberto e autogerenciada, para criar e armazenar embeddings em seu sistema local.

Working with the OpenAI API

Python Toolbox

Desbloqueie aplicações avançadas de IA com o modelo de embeddings da OpenAI!

Introdução aos embeddings com o OpenAI API

Engenheiro associado de IA para desenvolvedores

Desenvolvimento de aplicativos de IA

Fundamentos da OpenAI

Senior Software Engineer, DataCamp

Vector databases for embedding systems

Limitations of the current approach

Vector databases

NoSQL databases vs. SQL databases

Components to store

The vector database landscape

Which solution is best?

Let's practice!

Bancos de dados vetoriais - Bancos de dados vetoriais para sistemas de incorporação