Introduction aux embeddings avec l’API OpenAI

Créez des applications d'IA puissantes

Les emboîtements nous permettent de représenter un texte de manière numérique, tout en capturant le contexte et l'intention qui se cachent derrière le texte. Vous découvrirez comment ces capacités peuvent permettre de créer des moteurs de recherche sémantique, qui peuvent effectuer des recherches basées sur le sens, des moteurs de recommandation plus pertinents et effectuer des tâches de classification telles que l'analyse des sentiments.

Créez des embeddings à l'aide de l'API OpenAI

L'API OpenAI dispose non seulement de points d'accès à ses modèles GPT et Whisper, mais aussi à des modèles permettant de créer des embeddings à partir d'entrées textuelles. Vous créerez des embeddings en utilisant les modèles d'embeddings de pointe d'OpenAI pour capturer le sens sémantique du texte.

Construire des moteurs de recherche sémantique et de recommandation

Les moteurs de recherche traditionnels s'appuient sur la correspondance des mots-clés pour renvoyer les résultats les plus pertinents aux utilisateurs, mais les techniques plus modernes utilisent les enchâssements, car ils peuvent capturer la signification sémantique du texte. Vous apprendrez à créer un moteur de recherche sémantique pour une plateforme de vente en ligne en utilisant le modèle d'intégration d'OpenAI, afin que les utilisateurs puissent trouver plus facilement les produits les plus pertinents. Vous apprendrez également à créer un système de recommandation de produits, qui repose sur les mêmes principes que la recherche sémantique.

Utiliser les bases de données vectorielles

Les applications d'IA en production qui s'appuient sur des enchâssements utilisent souvent une base de données vectorielle pour stocker et interroger le texte enchâssé de manière plus efficace et reproductible. Dans ce cours, vous apprendrez à utiliser ChromaDB, une solution de base de données vectorielle open-source et autogérée, pour créer et stocker des embeddings sur votre système local.