Grattis!

Introduktion till inbäddningar med OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Kapitel 1 – Vad är embeddings?

Embeddings: vektor/numerisk representation av text
Fångar textens semantiska betydelse
Använde OpenAI:s embeddingmodell
Cosinusavstånd kan användas för att hitta liknande texter
Möjliggör semantisk sökning, rekommendationsmotorer m.m.

Ett diagram över ett 2D-vektorrum som visar att recensioner med samma sentiment och ämne placeras närmare varandra i vektorrummet.

Kapitel 2 – Embeddings för AI-tillämpningar

Semantisk sökning och rekommendation

En inbäddad sökfråga i vektorrummet tillsammans med flera inbäddade artiklar om olika ämnen.

Klassificering

Inbäddade klassbeskrivningar i vektorrummet, där en okänd vektor tilldelas etiketten Tech.

Kapitel 3 – Vektordatabaser

Ett diagram som visar hur en vektordatabas – i det här fallet Chroma – används för att lagra dokumentembeddings och returnera resultat baserade på en inbäddad fråga tillbaka till användaren.

Vad händer härnäst?

Molnbaserade, hanterade vektordatabaser

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

Ramverk för att bygga applikationer

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

Nu kör vi en övning!

Introduktion till inbäddningar med OpenAI API