¡Enhorabuena!

Introducción a las incrustaciones con la OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Capítulo 1 - ¿Qué son los Embeddings?

Embeddings: representación vectorial/numérica de texto
Capturan el significado semántico del texto
Usamos el modelo de Embeddings de OpenAI
Puedes usar la distancia coseno para encontrar textos similares
Permiten búsqueda semántica, sistemas de recomendación, etc.

Un gráfico de un espacio vectorial 2D que muestra que reseñas con el mismo sentimiento y tema quedan más próximas en el espacio.

Capítulo 2 - Embeddings para aplicaciones de IA

Búsqueda semántica y recomendación

Una consulta incrustada en el espacio vectorial junto a varios artículos incrustados sobre distintos temas.

Clasificación

Descripciones de clases incrustadas en el espacio vectorial, con un vector desconocido etiquetado como Tech.

Capítulo 3 - Bases de datos vectoriales

Diagrama que muestra cómo una base de datos vectorial, Chroma en este caso, almacena embeddings de documentos y devuelve resultados al usuario según una consulta incrustada.

¿Y ahora qué?

Bases de datos vectoriales en la nube y gestionadas

Pinecone:
- Semantic Search with Pinecone (Code-along)
Weaviate:
- Vector Databases for Data Science with Weaviate in Python (Code-along)

Frameworks para crear aplicaciones

LangChain:
- How to Build LLM Applications with LangChain (Tutorial)
- Introduction to Large Language Models with GPT & LangChain (Code-along)

¡Vamos a practicar!

Introducción a las incrustaciones con la OpenAI API