Felicitări!

Introducere în Embeddings cu API-ul OpenAI

Emmanuel Pire

Senior Software Engineer, DataCamp

Capitolul 1 - Ce sunt Embeddings-urile?

Embeddings: reprezentare vectorială/numerică a textului
Captează sensul semantic al textului
A utilizat modelul de Embedding al OpenAI
Se poate folosi distanța cosinus pentru a găsi texte similare
Permite căutarea semantică, motoare de recomandare etc.

Un grafic al spațiului vectorial 2D care arată că recenziile cu același sentiment și subiect sunt mapate mai aproape unele de altele în spațiul vectorial.

Capitolul 2 - Embeddings pentru aplicații AI

Căutare semantică și recomandare

O interogare de căutare inclusă în spațiul vectorial alături de mai multe articole pe teme diferite.

Clasificare

Descrieri de clase incluse în spațiul vectorial, cu un vector necunoscut căruia i se atribuie eticheta Tech.

Capitolul 3 - Baze de date vectoriale

O diagramă care arată cum o bază de date vectorială, Chroma în acest caz, este utilizată pentru a stoca embeddings de documente și a returna rezultate bazate pe o interogare inclusă înapoi utilizatorului.

Ce urmează?

Baze de date vectoriale în cloud, gestionate

Pinecone:
- Căutare semantică cu Pinecone (Code-along)
Weaviate:
- Baze de date vectoriale pentru Data Science cu Weaviate în Python (Code-along)

Framework-uri pentru crearea aplicațiilor

LangChain:
- Cum să construiți aplicații LLM cu LangChain (Tutorial)
- Introducere în modelele lingvistice mari cu GPT & LangChain (Code-along)

Să exersăm!

Introducere în Embeddings cu API-ul OpenAI