Урок из полного доступа, первые уроки курса бесплатно Официальный курс Gemini API Cookbook на русском
Урок 78 · Текст · ~5 мин

Поиск похожего с Qdrant

Урок 78 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 лимиты скорости платного уровня. (см. цены для получения более подробной 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 векторного сходства, которая предлагает простой в использовании API для управления, хранения и поиска векторов с дополнительной полезной нагрузкой. Это готовый к производству сервис.

В этом блокноте вы узнаете, как выполнить 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.

Семантический поиск — это процесс, с помощью которого поисковые системы интерпретируют и сопоставляют ключевые слова с намерением пользователя в органических результатах поиска. Он выходит за рамки поверхностного сопоставления ключевых слов. Он использует значение слов, фраз и контекста с помощью передовых алгоритмов, что приводит к более релевантным и удобным для пользователя результатам поиска.

Семантический поиск основан на векторных встраиваниях, которые могут наилучшим образом сопоставить запрос пользователя с наиболее похожим результатом.

В этом руководстве вы реализуете три основных компонента семантического поиска:

  1. Создание индекса Создайте и сохраните индекс для данных в векторном хранилище Qdrant. Вы будете использовать модель встраивания Gemini API для создания векторов встраивания, которые могут быть сохранены в векторном хранилище Qdrant.
  2. Запрос индекса Запросите индекс, используя строку запроса, чтобы вернуть n ближайших соседей запроса.

На этом этапе вы выполните следующие шаги:

  1. Прочитайте и проанализируйте данные веб-сайта с помощью библиотеки Python BeautifulSoup.

План урока

  1. Обзор
  2. Настройка
  3. Установка
  4. Настройте свой ключ API
  5. Основные шаги
  6. Импорт необходимых библиотек
  7. 1. Создание индекса
  8. Чтение и анализ данных веб-сайта

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