Félicitations !

Introduction aux embeddings avec l'API d'OpenAI

Emmanuel Pire

Senior Software Engineer, DataCamp

Chapitre 1 – Qu'est-ce que les Embeddings ?

 

  • Embeddings : représentations vectorielles/numériques du texte
  • Capturent le sens sémantique du texte
  • Utilisent le modèle d'Embeddings d'OpenAI
  • Permettent d'utiliser la distance cosinus pour trouver des textes similaires
  • Ouvrent la voie à la recherche sémantique, aux moteurs de recommandation, etc.

 

Un nuage de points en 2D montrant que des critiques ayant le même ressenti et sujet sont plus proches dans l'espace vectoriel.

Introduction aux embeddings avec l'API d'OpenAI

Chapitre 2 – Embeddings pour les applications d'IA

 

Recherche sémantique et recommandation

Une requête intégrée dans l'espace vectoriel aux côtés de plusieurs articles intégrés sur différents sujets.

 

Classification

Descriptions de classes intégrées dans l'espace vectoriel, avec un vecteur inconnu étiqueté Tech.

Introduction aux embeddings avec l'API d'OpenAI

Chapitre 3 – Bases de données vectorielles

Schéma montrant comment une base de données vectorielle, Chroma ici, sert à stocker les embeddings de documents et à renvoyer des résultats à l'usager selon une requête intégrée.

Introduction aux embeddings avec l'API d'OpenAI

Et ensuite ?

Bases de données vectorielles gérées dans le nuage

Cadres pour créer des applications

Introduction aux embeddings avec l'API d'OpenAI

Passons à la pratique !

Introduction aux embeddings avec l'API d'OpenAI

Preparing Video For Download...