Ответы на вопросы в Weaviate

О чём урок

Этот notebook подготовлен для сценария, в котором: Ваши данные не векторизованы Вы хотите запустить Q&A (узнать больше) на ваших данных на основе endpoint'а OpenAI completions. Вы хотите использовать Weaviate с модулем OpenAI (text2vec-openai) для автоматической генерации векторных embeddings. Этот notebook проведет вас через простой процесс настройки экземпляра Weaviate, подключения к нему (с использованием OpenAI API key), настройки схемы данных, импорта данных (что автоматически сгенерирует векторные embeddings для ваших данных) и запуска системы вопросов и ответов. Weaviate — это open-source векторный поисковый движок, который хранит объекты данных вместе с их векторами. Это позволяет комбинировать векторный поиск со структурированной фильтрацией. Weaviate использует алгоритмы KNN для создания векторооптимизированного индекса, что позволяет вашим запросам выполняться чрезвычайно быстро. Узнайте больше здесь. Weaviate позволяет использовать ваши любимые ML-модели и бесшовно масштабироваться до миллиардов объектов данных. Независимо от вашего сценария или производственной среды, у Weaviate есть подходящий вариант для вас. Вы можете развернуть Weaviate в следующих конфигурациях: Self-hosted – вы можете развернуть Weaviate с помощью Docker локально или на любом сервере по вашему выбору. SaaS – вы можете использовать Weaviate Cloud Service (WCS) для размещения ваших экземпляров Weaviate. Hybrid-SaaS – вы можете развернуть Weaviate в вашем собственном частном Cloud Service Weaviate предлагает четыре клиентские библиотеки, которые позволяют взаимодействовать из ваших приложений: Python JavaScript Java Go Кроме того, Weaviate имеет REST-слой. По сути, вы можете вызывать Weaviate из любого языка, поддерживающего REST-запросы.

План урока

1. Что такое Weaviate
2. Варианты развертывания
3. Языки программирования
4. Демонстрационный процесс
5. Модуль OpenAI в Weaviate
6. Нет необходимости вручную векторизовать данные
7. Предварительные условия
8. Создание экземпляра Weaviate