Glückwunsch!

Einführung in Embeddings mit der OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Kapitel 1 – Was sind Embeddings?

Embeddings: Vektor-/numerische Darstellung von Text
Erfassen die semantische Bedeutung von Text
Verwendet OpenAIs Embedding-Modell
Mit der Kosinus-Distanz ähnliche Texte finden
Ermöglicht semantische Suche, Empfehlungssysteme usw.

Ein 2D-Vektorraummodell, das zeigt, dass Reviews mit gleicher Stimmung und gleichem Thema näher beieinanderliegen.

Kapitel 2 – Embeddings für KI-Anwendungen

Semantische Suche und Empfehlungen

Eine eingebettete Suchanfrage im Vektorraum neben mehreren eingebetteten Artikeln zu verschiedenen Themen.

Klassifikation

Eingebettete Klassenbeschreibungen im Vektorraum, mit einem unbekannten Vektor, der dem Label Tech zugewiesen wird.

Kapitel 3 – Vektor-Datenbanken

Ein Diagramm zeigt, wie eine Vektor-Datenbank, hier Chroma, Dokument-Embeddings speichert und basierend auf einer eingebetteten Abfrage Ergebnisse an die Nutzerin/den Nutzer zurückgibt.

Wie geht's weiter?

Cloudbasierte, gemanagte Vektor-Datenbanken

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

Frameworks zum Erstellen von Anwendungen

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

Lass uns üben!

Einführung in Embeddings mit der OpenAI API