Explorarea spațiului vectorial

Introducere în Embeddings cu API-ul OpenAI

Emmanuel Pire

Senior Software Engineer, DataCamp

Exemplu: Embedding pe titluri de știri

articles = [
    {"headline": "Economic Growth Continues Amid Global Uncertainty", "topic": "Business"},
    {"headline": "Interest rates fall to historic lows", "topic": "Business"},
    {"headline": "Scientists Make Breakthrough Discovery in Renewable Energy", "topic": "Science"},
    {"headline": "India Successfully Lands Near Moon's South Pole", "topic": "Science"},
    {"headline": "New Particle Discovered at CERN", "topic": "Science"},
    {"headline": "Tech Company Launches Innovative Product to Improve Online Accessibility", "topic": "Tech"},
    {"headline": "Tech Giant Buys 49% Stake In AI Startup", "topic": "Tech"},
    {"headline": "New Social Media Platform Has Everyone Talking!", "topic": "Tech"},
    {"headline": "The Blues get promoted on the final day of the season!", "topic": "Sport"},
    {"headline": "1.5 Billion Tune-in to the World Cup Final", "topic": "Sport"}
]

Exemplu: Embedding pe titluri de știri

O listă de dicționare care conține titlurile de știri și embeddings-urile lor.

Embedding pentru mai multe intrări

headline_text = [article['headline'] for article in articles]
headline_text

["Economic Growth Continues Amid Global Uncertainty",
 ...,
 "1.5 Billion Tune-in to the World Cup Final"]

response = client.embeddings.create(
  model="text-embedding-3-small",
  input=headline_text
)
response_dict = response.model_dump()

Procesarea în lot este mai eficientă decât mai multe apeluri API

[...]

'data': [
    {
      "embedding": [-0.017142612487077713, ..., -0.0012911480152979493],
      "index": 0,
      "object": "embedding"
    },
    {
      "embedding": [-0.032995883375406265, ..., -0.0028605300467461348],
      "index": 1,
      "object": "embedding"
    },
    ...
  ]

[...]

Embedding pentru mai multe intrări

articles = [
    {"headline": "Economic Growth Continues Amid Global Uncertainty", "topic": "Business"},
     ...
]

for i, article in enumerate(articles):

    article['embedding'] = response_dict['data'][i]['embedding']


print(articles[:2])

[{'headline': 'Economic Growth Continues Amid Global Uncertainty',
  'topic': 'Business',
  'embedding': [-0.017142612487077713, ..., -0.0012911480152979493]}
 {'headline': 'Interest rates fall to historic lows',
  'topic': 'Business',
  'embedding': [-0.032995883375406265, ..., -0.0028605300467461348]}]

Cât de lung este vectorul de embeddings?

"Economic Growth Continues Amid Global Uncertainty"

len(articles[0]['embedding'])

"Tech Company Launches Innovative Product to Improve Accessibility"

len(articles[5]['embedding'])

Returnează întotdeauna 1536 de numere!

Reducerea dimensionalității și t-SNE

Diverse tehnici pentru reducerea numărului de dimensiuni
t-SNE (t-distributed Stochastic Neighbor Embedding)

¹ https://www.datacamp.com/tutorial/introduction-t-sne

Implementarea t-SNE

from sklearn.manifold import TSNE
import numpy as np


embeddings = [article['embedding'] for article in articles]


tsne = TSNE(n_components=2, perplexity=5)

embeddings_2d = tsne.fit_transform(np.array(embeddings))

n_components: numărul rezultat de dimensiuni
perplexity: folosit de algoritm, trebuie să fie mai mic decât numărul de puncte de date
Va duce la pierderi de informații

¹ https://www.datacamp.com/tutorial/introduction-t-sne

Vizualizarea embeddings-urilor

import matplotlib.pyplot as plt

plt.scatter(embeddings_2d[:, 0], embeddings_2d[:, 1])


topics = [article['topic'] for article in articles]
for i, topic in enumerate(topics):
    plt.annotate(topic, (embeddings_2d[i, 0], embeddings_2d[i, 1]))

plt.show()

Vizualizarea embeddings-urilor

Articolele similare sunt grupate împreună!
Modelul a surprins sensul semantic

Urmează: Calcularea similarității

Un grafic al spațiului vectorial 2D care arată că articolele cu același subiect sunt mapate mai aproape în spațiul vectorial.

Să exersăm!

Introducere în Embeddings cu API-ul OpenAI