Gefeliciteerd!

Introductie tot Embeddings met de OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Hoofdstuk 1 - Wat zijn embeddings?

Embeddings: vector-/numerieke representatie van tekst
Vangen de semantische betekenis van tekst
OpenAI's Embedding-model gebruikt
Gebruik cosine-afstand om vergelijkbare teksten te vinden
Maakt semantisch zoeken, aanbevelingen, etc. mogelijk

Een 2D-vectorruimteplot die laat zien dat reviews met hetzelfde sentiment en onderwerp dichter bij elkaar liggen in de vectorruimte.

Hoofdstuk 2 - Embeddings voor AI-toepassingen

Semantisch zoeken en aanbevelingen

Een ingesloten zoekquery in de vectorruimte naast meerdere ingesloten artikelen over verschillende onderwerpen.

Classificatie

In de vectorruimte ingesloten klassebeschrijvingen, met een onbekende vector die het label Tech krijgt.

Hoofdstuk 3 - Vector databases

Een diagram dat laat zien hoe een vector database (hier Chroma) document-embeddings opslaat en resultaten op basis van een ingesloten query aan de gebruiker teruggeeft.

Wat nu?

Cloudgebaseerde, beheerde vector databases

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

Frameworks om apps te bouwen

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

Laten we oefenen!

Introductie tot Embeddings met de OpenAI API