Parabéns!

Introdução aos embeddings com o OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Capítulo 1 - O que são Embeddings?

Embeddings: representação vetorial/numérica de texto
Capturam o significado semântico do texto
Usamos o modelo de Embeddings da OpenAI
Dá para usar distância cosseno para achar textos parecidos
Habilita busca semântica, recomendação etc.

Um gráfico do espaço vetorial 2D mostrando que avaliações com o mesmo sentimento e tópico ficam mais próximas no espaço vetorial.

Capítulo 2 - Embeddings para aplicações de IA

Busca semântica e recomendação

Uma consulta de busca incorporada no espaço vetorial junto a vários artigos incorporados de tópicos diferentes.

Classificação

Descrições de classes incorporadas no espaço vetorial, com um vetor desconhecido rotulado como Tech.

Capítulo 3 - Bancos de dados vetoriais

Um diagrama mostrando como um banco de dados vetorial, neste caso o Chroma, armazena embeddings de documentos e retorna resultados com base em uma consulta incorporada para o usuário.

E agora?

Bancos de dados vetoriais gerenciados na nuvem

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

Frameworks para criar aplicações

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

Vamos praticar!

Introdução aos embeddings com o OpenAI API