Utforska hur inbäddningsmodeller driver många av de mest spännande AI-tillämpningarna. Lär dig använda OpenAI API för att skapa inbäddningar och beräkna semantisk likhet mellan texter.

Inbäddningarnas fantastiska värld!

Vad är inbäddningar?

Tillämpningar för inbäddningar

Skapa inbäddningar

Utforska svaret från embeddings-API:et

Utforska vektorrummet

Skapa inbäddningar av produktbeskrivningar

Visualisera de inbäddade beskrivningarna

Textlikhet

Beräkna cosinusavstånd

Återanvändbara inbäddningar

Hitta den mest liknande produkten

Inbäddningar möjliggör kraftfulla AI-tillämpningar, bland annat semantiska sökmotorer, rekommendationssystem och klassificeringsuppgifter som sentimentanalys. Lär dig använda OpenAI:s inbäddningsmodell för att bygga dessa spännande tillämpningar!

Semantisk sökning och berikade inbäddningar

Berika inbäddningar

Sortera efter likhet

Semantisk sökning efter produkter

Rekommendationssystem

Produktrekommendationssystem

Lägg till användarhistorik i rekommendationsmotorn

Inbäddningar för klassificeringsuppgifter

Inbäddning av restaurangrecensioner

Klassificera recensionssentiment

Inbäddning av mer detaljerade beskrivningar

Inbäddningar för AI-tillämpningar

För att använda inbäddningstillämpningar i produktion behöver du en effektiv lösning för lagring och sökning av vektorer – det är här vektordatabaser kommer in. Du lär dig hur vektordatabaser kan skala upp inbäddningstillämpningar och börjar skapa och fylla egna vektordatabaser med hjälp av Chroma.

Vektordatabaser för inbäddningssystem

Alternativ

Metadata

Inte metadata

Metadata eller inte metadata?

Välja en vektordatabaslösning

Skapa vektordatabaser med ChromaDB

Kom igång med ChromaDB

Uppskatta inbäddningskostnader med tiktoken

Lägga till data i samlingen

Fråga och uppdatera databasen

Sökning i Netflix-samlingen

Uppdatera och ta bort objekt i en samling

Flera frågor och filtrering

Frågor med flera texter

Filtrering med metadata

Grattis!

Vektordatabaser

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

Textinbäddningsmodeller skapar numeriska representationer av textindata. Förmågan att koda text och fånga dess semantiska betydelse gör att inbäddningsmodeller utgör grunden för många typer av AI-tillämpningar, till exempel semantiska sökmotorer och rekommendationssystem. I den här kursen lär du dig att använda OpenAI:s inbäddningsmodell via OpenAI API för att skapa inbäddningar från textdatamängder och börja utveckla verkliga tillämpningar. Du tar också ett stort steg mot produktionsklara tillämpningar genom att lära dig om vektordatabaser för att effektivt lagra och söka i inbäddad text.

<h2>Skapa kraftfulla AI-applikationer</h2>
Embeddings gör det möjligt för oss att representera text numeriskt och fånga sammanhanget och avsikten bakom texten. Du kommer att lära dig hur dessa förmågor kan möjliggöra semantiska sökmotorer som kan söka utifrån betydelse, mer relevanta rekommendationsmotorer och utföra klassificeringsuppgifter som sentimentanalys.<br><br>
<h2>Skapa embeddings med OpenAI API</h2>OpenAI API har inte bara endpoints för att komma åt sina GPT- och Whisper-modeller, utan också för modeller som skapar embeddings från textinmatningar. Du kommer att skapa embeddings med OpenAI:s toppmoderna embeddingsmodeller för att fånga textens semantiska innebörd.<br><br>
<h2>Bygg semantisk sökning och rekommendationsmotorer</h2>
Traditionella sökmotorer förlitade sig på nyckelordsmatchning för att ge användarna de mest relevanta resultaten, men modernare tekniker använder embeddings eftersom de kan fånga textens semantiska innebörd. Du kommer att lära dig att skapa en semantisk sökmotor för en onlinebutik med hjälp av OpenAI:s embeddingsmodell, så att användare enklare kan hitta de mest relevanta produkterna. Du kommer också att lära dig hur man skapar ett produktrekommendationssystem, som bygger på samma principer som semantisk sökning.<br><br>
<h2>Använd vektordatabaser</h2>
AI-applikationer i produktion som bygger på embeddings använder ofta en vektordatabas för att lagra och söka i den inbäddade texten på ett mer effektivt och reproducerbart sätt. I den här kursen lär du dig att använda ChromaDB, en öppen källkodslösning för en självhanterad vektordatabas, för att skapa och lagra embeddings på ditt lokala system.

Working with the OpenAI API

Python Toolbox

Lås upp avancerade AI-applikationer med OpenAI:s inbäddningsmodell!

Introduktion till inbäddningar med OpenAI API

Lås upp mer avancerade AI-applikationer, som semantisk sökning och rekommendationsmotorer, med OpenAI:s embedding-modell!

Associate AI Engineer för utvecklare

Utveckla AI-applikationer

OpenAI-grunderna

Välja en vektordatabaslösning

Introduktion till inbäddningar med OpenAI API

Interaktiv övning med praktiskt arbete