Урок из полного доступа, первые уроки курса бесплатно Официальный курс OpenAI Academy на русском
Урок 265 · Текст · ~5 мин

Векторный поиск по шагам: окружение, эмбеддинги, хранение

Урок 265 из 303 курса «OpenAI Cookbook»: официальный курс OpenAI Academy (ОпенАИ) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

Этот notebook демонстрирует, как создать приложение для semantic search с использованием OpenAI и MongoDB Atlas vector search

Для этого необходимо выполнить 2 предварительных условия:

  1. Кластер MongoDB Atlas: Чтобы создать бесплатный кластер MongoDB Atlas, сначала вам необходимо создать учетную запись MongoDB Atlas, если у вас ее еще нет. Посетите веб-сайт MongoDB Atlas и нажмите «Register». Посетите панель управления MongoDB Atlas и настройте свой кластер. Чтобы воспользоваться оператором $vectorSearch в конвейере агрегации, вам необходимо использовать MongoDB Atlas версии 6.0.11 или выше. Этот tutorial можно создать с использованием бесплатного кластера. При настройке развертывания вам будет предложено создать пользователя базы данных и правила для сетевого подключения. Пожалуйста, убедитесь, что вы сохранили свое имя пользователя и пароль в безопасном месте и установили правильные правила IP-адресов, чтобы ваш кластер мог корректно подключиться. Если вам нужна дополнительная помощь по началу работы, ознакомьтесь с нашим tutorial по MongoDB Atlas.
  2. Ключ OpenAI API Чтобы создать свой ключ OpenAI, вам потребуется создать учетную запись. После этого посетите платформу OpenAI. Нажмите на значок своего профиля в правом верхнем углу экрана, чтобы открыть выпадающее меню, и выберите «View API keys».

Примечание: После выполнения шага выше вам будет предложено ввести учетные данные.

Для этого tutorial мы будем использовать пример набора данных MongoDB. Загрузите пример набора данных с помощью UI Atlas. Мы будем использовать базу данных «sample_mflix», которая содержит коллекцию «movies», где каждый документ включает такие поля, как title, plot, genres, cast, directors и т.д.

Каждый документ в примере набора данных sample_mflix.movies соответствует фильму; мы выполним операцию по созданию векторного embedding'а для данных в поле "plot" и сохраним его в базе данных. Создание векторных embedding'ов с использованием endpoint'а OpenAI embeddings необходимо для выполнения поиска по сходству на основе намерения.

После выполнения вышеуказанного, документы в коллекции "movies" будут содержать дополнительное поле "embedding", как определено переменной EMBEDDING_FIELD_NAME, помимо…

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 OpenAI 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от OpenAI (1 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

Полезные гиды