Cours
Introduction aux embeddings avec l’API OpenAI
IntermédiaireNiveau de compétence
Actualisé 03/2026OpenAIArtificial Intelligence3 h11 vidéos37 Exercices3,000 XP17,582Certificat de réussite.
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.Apprécié par des utilisateurs provenant de milliers d'entreprises
Former 2 personnes ou plus ?
Essayez DataCamp for BusinessDescription du cours
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.Prérequis
Working with the OpenAI APIPython Toolbox1
What are Embeddings?
Discover how embeddings models power many of the most exciting AI applications. Learn to use the OpenAI API to create embeddings and compute the semantic similarity between text.
2
Embeddings for AI Applications
Embeddings enable powerful AI applications, including semantic search engines, recommendation engines, and classification tasks like sentiment analysis. Learn how to use OpenAI's embeddings model to enable these exciting applications!
3
Vector Databases
To enable embedding applications in production, you'll need an efficient vector storage and querying solution: enter vector databases! You'll learn how vector databases can help scale embedding applications and begin creating and adding to your very own vector databases using Chroma.
Introduction aux embeddings avec l’API OpenAI
Cours terminé
Obtenez un certificat de réussite
Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolioPartagez-la sur les réseaux sociaux et dans votre évaluation de performance
Inclus avecPremium or Teams
S'inscrire MaintenantRejoignez plus de 19 millions d'utilisateurs et commencez Introduction aux embeddings avec l’API OpenAI dès aujourd'hui !
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.