Урок из полного доступа, первые уроки курса бесплатно Официальный курс Gemini API Cookbook на русском
Урок 77 · Текст · ~5 мин

Рекомендации фильмов на Gemini и Qdrant

Урок 77 из 84 курса «Gemini API: примеры использования»: официальный курс Gemini API Cookbook (Гугл Джемини) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

Примечание: Для корректной работы этого блокнота требуются платные тарифные лимиты (см. цены для получения дополнительной информации).

Gemini API предоставляет доступ к семейству генеративных моделей ИИ для создания контента и решения проблем. Эти модели разработаны и обучены для обработки как текста, так и изображений в качестве входных данных.

Qdrant — это поисковая система для поиска сходства векторов с открытым исходным кодом, разработанная для эффективного и масштабируемого семантического поиска. Она предлагает простой, но мощный API для хранения и поиска многомерных векторов, поддерживает фильтрацию с метаданными (полезными нагрузками) и легко интегрируется в производственные системы. Qdrant может быть размещен самостоятельно или доступен через управляемый облачный сервис, что делает его быстрым в настройке и идеальным для широкого спектра приложений ИИ, которые полагаются на семантическое понимание и извлечение информации.

В этом блокноте вы узнаете, как выполнять поиск сходства по данным с веб-сайта с помощью Gemini API и Qdrant.

Сначала необходимо установить пакеты и задать необходимые переменные среды.

Установите клиентский SDK Python от Google для Gemini API, google-genai. Затем установите клиентский SDK Python от Qdrant, qdrant-client.

Чтобы запустить следующую ячейку, ваш ключ API должен быть сохранен в секрете Colab с именем GEMINI_API_KEY. Если у вас еще нет ключа API или вы не знаете, как создать секрет Colab, см. Аутентификация для примера.

Этот раздел охватывает подготовку набора данных фильмов, генерацию встраиваний с использованием Gemini и их индексацию в Qdrant для поиска сходства.

Начните с загрузки набора данных из Kaggle с помощью библиотеки kagglehub. Набор данных, используемый в этом блокноте, — это TMDB Movie Dataset 2024, который содержит примерно 1 миллион+ записей фильмов.

Поскольку набор данных большой, его проверка помогает вам выявить полезные поля и отфильтровать нерелевантные данные на ранней стадии.

Этот шаг фильтрует набор данных, чтобы сохранить только метаданные, полезные для семантического поиска: id, title, overview, genres, keywords, tagline и release_date.

Записи (строки) без title или без…

План урока

  1. Обзор
  2. Этот блокнот был предоставлен Анандом Роем.
  3. Настройка
  4. Установка
  5. Настройте свой ключ API
  6. Создание векторного индекса фильмов
  7. 1. Загрузка набора данных из Kaggle
  8. 2. Проверка структуры набора данных

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы Google Gemini 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от Google Gemini (2 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Урок входит в темы

Полезные гиды