Вітаємо!

Вступ до Embeddings з OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Розділ 1 — Що таке Embeddings?

Embeddings: векторне/числове подання тексту
Передають семантичний зміст тексту
Використали модель OpenAI Embedding
Для пошуку схожих текстів можна застосувати косинусну відстань
Відкриває семантичний пошук, рекомендації тощо

Графік 2D-векторного простору, що показує: рецензії з однаковою тональністю та темою розташовані ближче одна до одної.

Розділ 2 — Embeddings для AI-застосунків

Семантичний пошук і рекомендації

Вбудований пошуковий запит у векторному просторі поруч із кількома вбудованими статтями на різні теми.

Класифікація

Описи класів, вбудовані у векторний простір; невідомому вектору призначено мітку Tech.

Розділ 3 — Векторні бази даних

Схема показує, як векторна база даних (у цьому разі Chroma) зберігає векторні подання документів і повертає результати за вбудованим запитом користувачу.

Куди далі?

Хмарні керовані векторні бази даних

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

Фреймворки для створення застосунків

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

Давайте потренуємось!

Вступ до Embeddings з OpenAI API