Introduktion till inbäddningar med OpenAI API

Skapa kraftfulla AI-applikationer

Embeddings gör det möjligt för oss att representera text numeriskt och fånga sammanhanget och avsikten bakom texten. Du kommer att lära dig hur dessa förmågor kan möjliggöra semantiska sökmotorer som kan söka utifrån betydelse, mer relevanta rekommendationsmotorer och utföra klassificeringsuppgifter som sentimentanalys.

Skapa embeddings med OpenAI API

OpenAI API har inte bara endpoints för att komma åt sina GPT- och Whisper-modeller, utan också för modeller som skapar embeddings från textinmatningar. Du kommer att skapa embeddings med OpenAI:s toppmoderna embeddingsmodeller för att fånga textens semantiska innebörd.

Bygg semantisk sökning och rekommendationsmotorer

Traditionella sökmotorer förlitade sig på nyckelordsmatchning för att ge användarna de mest relevanta resultaten, men modernare tekniker använder embeddings eftersom de kan fånga textens semantiska innebörd. Du kommer att lära dig att skapa en semantisk sökmotor för en onlinebutik med hjälp av OpenAI:s embeddingsmodell, så att användare enklare kan hitta de mest relevanta produkterna. Du kommer också att lära dig hur man skapar ett produktrekommendationssystem, som bygger på samma principer som semantisk sökning.

Använd vektordatabaser

AI-applikationer i produktion som bygger på embeddings använder ofta en vektordatabas för att lagra och söka i den inbäddade texten på ett mer effektivt och reproducerbart sätt. I den här kursen lär du dig att använda ChromaDB, en öppen källkodslösning för en självhanterad vektordatabas, för att skapa och lagra embeddings på ditt lokala system.