Сообщить об ошибке

Что пошло не так?

OpenAI Embeddings: полное руководство — AI Academy

AI Academy/Курсы/OpenAI Embeddings: полное руководство

⌘K

EN Войти Регистрация

СреднийИнженерия

OpenAI Embeddings: полное руководство

Официальные примеры OpenAI: классификация, кластеризация, семантический поиск, Q&A, рекомендации, поиск по коду и reranking с cross-encoders. Реальный Python-код от команды OpenAI.

4модуля

8уроков

200 минобщее время

Разработчики, строящие поисковые системы на OpenAIкому подходит

Прогресс

0%0 / 8 уроков

Войдите, чтобы сохранять прогресс.

Модуль 1

Основы эмбеддингов

Что такое эмбеддинги, как их получать через OpenAI API и базовые паттерны работы с векторными представлениями.

Эмбеддинги: базовое использование

Получаем векторные представления текста через OpenAI API. Разбираем модель text-embedding-3-small, экспоненциальный backoff с tenacity и лучшие практики батч-обработки.

Модуль 2

Поиск и ранжирование

Семантический поиск по тексту и коду, reranking с cross-encoders для повышения точности результатов.

Семантический поиск по тексту

Строим поисковик по отзывам на продукты: embed запроса → cosine similarity со всеми документами → топ-N результатов. Полный рабочий пример на датасете Amazon Fine Food Reviews.

Поиск по коду через эмбеддинги

Индексируем Python-функции из репозитория openai-python и ищем по ним на английском языке. Разбираем парсинг AST-уровня, embed функций и семантический поиск по коду.

25 мин

Reranking с cross-encoders

Двухэтапный поиск: bi-encoder для быстрого кандидатного отбора + GPT как cross-encoder для точного ранжирования. Разбираем logit_bias трюк для бинарной классификации Yes/No.

Модуль 3

Классификация и кластеризация

Используем эмбеддинги для классификации текста с ML-моделями и кластеризации транзакций с автоматической генерацией меток через GPT.

Классификация текста через эмбеддинги

Предсказываем рейтинг отзыва (1-5 звёзд) по его эмбеддингу с Random Forest. Разбираем pipeline: embed → train_test_split → RandomForestClassifier → classification_report.

Кластеризация транзакций с автоматическими метками

K-Means кластеризация финансовых транзакций по эмбеддингам + GPT генерирует человекочитаемые названия кластеров. Визуализация через t-SNE.

Модуль 4

RAG и рекомендации

Question Answering через поиск по базе знаний и рекомендательные системы на основе ближайших соседей.

Q&A через embeddings-based search

Search-Ask архитектура: embed → ранжируем разделы Википедии → вставляем в промпт GPT → получаем точный ответ. Сравниваем с fine-tuning и объясняем почему RAG надёжнее.

Рекомендации через ближайших соседей

Строим рекомендательную систему для новостных статей: embed описаний → cosine distances → k nearest neighbors. Кешируем эмбеддинги в pickle для экономии API-вызовов.

AAI AcademyRU Начать обучениеКаталог

Обзор

AI Academy Прогресс Достижения Рейтинг Аналитика Заметки Уведомления Команда API Тарифы Настройки

Обучение

Треки8 Курсы51

Библиотеки

Промпты30 Воркфлоу12 Инструменты22 Сравнение Блог

Обновлено · 14 мая 2026

Сохранить прогресс