Векторная библиотека FAISS с LangChain и OpenAI (семантический поиск) скачать в хорошем качестве

Векторная библиотека FAISS с LangChain и OpenAI (семантический поиск)

🧠 Не упустите свой шанс! Получите БЕСПЛАТНЫЙ доступ к моему сообществу Skool — полному ресурсов, инструментов и поддержки, которые помогут вам в работе с данными, машинным обучением и автоматизацией ИИ! 📈 https://www.skool.com/data-and-ai-aut... В этом видео мы рассмотрим библиотеку векторной графики Facebook AI Similarity Search (FAISS). На нескольких примерах мы возьмем документ, разделим его на части, настроим эмбеддинги и выполним поиск по нему. Код: https://ryanandmattdatascience.com/fa... 🚀 Закажите мои услуги по работе с данными: https://ryanandmattdatascience.com/da... 👨‍💻 Наставничество: https://ryanandmattdatascience.com/me... 📧 Электронная почта: ryannolandata@gmail.com 🌐 Веб-сайт и блог: https://ryanandmattdatascience.com/ 🖥️ Discord:   / discord   📚 * Практические вопросы для собеседования по SQL и Python: https://stratascratch.com/?via=ryan 📖 * Курсы по SQL и Python: https://datacamp.pxf.io/XYD7Qg 🍿 СМОТРЕТЬ ДАЛЕЕ Плейлист OpenAI/Langchain:    • How to Build Your First AI LLM Prompts wit...   Векторные эмбеддинги:    • LangChain (OpenAI) Vector Embeddings For B...   Цепочки Langchain:    • LangChain Chains for Beginners: An Easy In...   Streamlit Langchain:    • Learn to Build Exciting LLM applications w...   В этом видео я покажу вам, как использовать FAISS (Facebook AI Similarity Search) для создания векторной базы данных для поиска и извлечения документов. Начнём с разбора того, что такое FAISS и как он хранит векторные представления, а затем перейдём к практической реализации на Python с использованием LangChain и векторных представлений OpenAI. Я продемонстрирую полный рабочий процесс: загрузку статьи о Metallica в Википедии, её разбиение на фрагменты с помощью рекурсивного текстового разделителя, преобразование фрагментов в векторные представления и их сохранение в библиотеке векторов FAISS. Вы увидите три ключевых примера использования — поисковые запросы по сходству, ретриверы с цепочками вопросов и ответов и сохранение/загрузку индексов FAISS для повторного использования. Мы протестируем систему на реальных запросах, таких как «Кто заменил Клиффа Бертона?» и «Какой альбом Metallica больше всего ненавидят фанаты?», чтобы показать, как семантический поиск работает на практике. К концу этого урока вы поймёте, как реализовать векторные базы данных для поиска документов, выполнять поиск по сходству с оценкой, использовать ретриверы для систем вопросов и ответов и сохранять ваши индексы FAISS, чтобы избежать их перестроения. Независимо от того, разрабатываете ли вы чат-бота, поисковую систему или RAG-приложение, эти базовые знания помогут вам эффективно использовать векторные базы данных. Весь код демонстрируется в Google Colab с пошаговыми объяснениями. ВРЕМЕННЫЕ МЕТКИ 00:00 Введение в FAISS 01:00 Настройка Google Colab и импорт 03:02 Загрузка документов и разделение текста 05:17 Создание встраиваний и векторной библиотеки 08:48 Пример поискового запроса по сходству 12:22 Понимание оценок сходства 14:40 Использование FAISS в качестве средства поиска 17:32 Тестирование результатов запроса 18:17 Сохранение и загрузка индекса FAISS ДРУГИЕ СОЦИАЛЬНЫЕ СЕТИ: LinkedIn Райана:   / ryan-p-nolan   LinkedIn Мэтта:   / matt-payne-ceo   Twitter/X: https://x.com/RyanMattDS Кто такой Райан Райан — специалист по анализу данных в финтех-компании, где он занимается предотвращением мошенничества в андеррайтинге и управлении рисками. До этого он работал аналитиком данных в компании, занимающейся разработкой налогового программного обеспечения. Он имеет степень бакалавра электротехники Университета Центральной Флориды (UCF). Кто такой Мэтт? Мэтт — основатель Width.ai, агентства, занимающегося искусственным интеллектом и машинным обучением. До создания собственной компании он работал инженером по машинному обучению в Capital One. *Это партнерская программа. Мы получаем небольшую часть от конечной продажи без дополнительных затрат для вас.