Descoperă cum modelele de embeddings alimentează unele dintre cele mai interesante aplicații AI. Învață să folosești API-ul OpenAI pentru a crea embeddings și a calcula similaritatea semantică dintre texte.

Fascinanta lume a încorporărilor!

Ce sunt încorporările (embeddings)?

Aplicații ale încorporărilor (embeddings)

Crearea încorporărilor (embeddings)

Explorând răspunsul primit pentru încorporări

Investigarea spațiului vectorial

Încorporarea descrierilor de produse

Vizualizarea descrierilor încorporate

Similaritatea textului

Calcularea distanțelor cosinus

Încorporări (embeddings) mai reutilizabile

Găsirea celui mai similar produs

Ce sunt Embeddings-urile?

Embeddings-urile permit crearea unor aplicații AI puternice, inclusiv motoare de căutare semantică, sisteme de recomandare și sarcini de clasificare precum analiza sentimentelor. Învață cum să folosești modelul de embeddings al OpenAI pentru a activa aceste aplicații captivante!

Căutare semantică și încorporări îmbogățite

Îmbogățirea încorporărilor

Sortare după similaritate

Căutare semantică pentru produse

Sisteme de recomandare

Sistem de recomandare a produselor

Adăugarea istoricului utilizatorului în motorul de recomandare

Încorporări pentru sarcini de clasificare

Încorporarea recenziilor de restaurante

Clasificarea sentimentului dintr-o recenzie

Încorporarea unor descrieri mai detaliate

Embeddings pentru aplicații AI

Pentru a implementa aplicații bazate pe embeddings în producție, ai nevoie de o soluție eficientă de stocare și interogare a vectorilor: bazele de date vectoriale! Vei învăța cum pot acestea să scaleze aplicațiile cu embeddings și vei începe să creezi și să alimentezi propriile tale baze de date vectoriale folosind Chroma.

Baze de date vectoriale pentru sisteme de încorporări

Opțiuni

Metadate

Nu sunt metadate

Metadate sau nu?

Alegerea unei soluții de bază de date vectorială

Crearea bazelor de date vectoriale cu ChromaDB

Primii pași cu ChromaDB

Estimarea costurilor de încorporare cu tiktoken

Adăugarea datelor în colecție

Interogarea și actualizarea bazei de date

Interogarea colecției Netflix

Actualizarea și ștergerea elementelor dintr-o colecție

Interogări multiple și filtrare

Interogări cu mai multe texte

Filtrarea după metadate

Felicitări!

Baze de date vectoriale

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Modelele de embedding text creează reprezentări numerice din texte. Această capacitate de a codifica text și de a surprinde semnificația sa semantică face ca modelele de embedding să stea la baza multor aplicații AI, precum motoarele de căutare semantică și sistemele de recomandare. În acest curs, vei învăța cum să folosești modelul de Embeddings al OpenAI prin API-ul OpenAI pentru a crea embeddings din seturi de date text și pentru a începe să dezvolți aplicații reale. Vei face, de asemenea, un pas important spre aplicații pregătite pentru producție, învățând despre bazele de date vectoriale pentru stocarea și interogarea eficientă a textelor încorporate.

<h2>Permite aplicații AI puternice</h2>
Embeddingurile ne permit să reprezentăm textul numeric, surprinzând contextul și intenția din spatele textului. Vei învăța cum aceste abilități pot permite motoare de căutare semantică, care pot căuta pe baza sensului, motoare de recomandare mai relevante și pot realiza sarcini de clasificare precum analiza sentimentului.<br><br>
<h2>Creează embeddings folosind OpenAI API</h2>OpenAI API nu are doar endpoint-uri pentru accesarea modelelor sale GPT și Whisper, ci și pentru modele care creează embeddings din inputuri text. Vei crea embeddings folosind modelele de embeddings de ultimă generație de la OpenAI pentru a surprinde semnificația semantică a textului.<br><br>
<h2>Construiește motoare de căutare semantică și de recomandare</h2>
Motoarele de căutare tradiționale se bazau pe potrivirea cuvintelor-cheie pentru a returna utilizatorilor cele mai relevante rezultate, însă tehnicile mai moderne folosesc embeddings, deoarece acestea pot surprinde sensul semantic al textului. Vei învăța să creezi un motor de căutare semantică pentru o platformă de retail online folosind modelul de embeddings de la OpenAI, astfel încât utilizatorii să poată găsi mai ușor cele mai relevante produse. Vei învăța, de asemenea, cum să creezi un sistem de recomandare a produselor, construit pe aceleași principii ca și căutarea semantică.<br><br>
<h2>Utilizați bazele de date vectoriale</h2>
Aplicațiile AI în producție care se bazează pe embeddings folosesc adesea o bază de date vectorială pentru a stoca și interoga textul încorporat într-un mod mai eficient și mai reproductibil. În acest curs, vei învăța să folosești ChromaDB, o soluție open-source de bază de date vectorială, administrată de tine, pentru a crea și stoca embeddings pe sistemul tău local.

Working with the OpenAI API

Python Toolbox

Dezvoltă aplicații AI avansate, precum căutarea semantică, cu modelul de încorporare OpenAI!

Introducere în Embeddings cu API-ul OpenAI

Dezvoltă aplicații AI avansate, precum căutarea semantică și motoarele de recomandare, folosind modelul de embedding OpenAI!

Inginer AI asociat pentru dezvoltatori

Dezvoltarea aplicațiilor AI

Fundamentele OpenAI

Senior Software Engineer, DataCamp

Baze de date vectoriale pentru sisteme de embedding

Limitările abordării actuale

Baze de date NoSQL vs. SQL

Componente de stocat

Peisajul bazelor de date vectoriale

Care este cea mai bună soluție?

Să exersăm!

Baze de date vectoriale - Baze de date vectoriale pentru sisteme de încorporări

Baze de date vectoriale pentru sisteme de încorporări

Create Your Free Account