Embeddings

Embeddings — это численные представления текстовых строк, измеряющие их взаимосвязь. Текстовые эмбеддинги измеряют степень схожести текстовых строк и часто используются для следующих задач:

• Поиск (результаты сортируются по релевантности запросу)
• Кластеризация (группировка текстовых строк по схожести)
• Рекомендации (рекомендация элементов с похожими текстовыми строками)
• Обнаружение аномалий (поиск элементов, значительно отличающихся от других)
• Измерение разнообразия (анализ распределения схожести)
• Классификация (классификация текстовых строк на основе их схожести с метками)

Эмбеддинг представляет собой вектор (список) чисел. Расстояние между двумя векторами измеряет степень их схожести: небольшое расстояние указывает на высокую степень схожести, а большое расстояние — на низкую.

Создание эмбеддингов для одного и нескольких текстовых объектов

Python (Langchain)

#pip install langchain-compressa - если у вас еще нет этого пакета

from langchain_compressa import CompressaEmbeddings

embeddings = CompressaEmbeddings(
    model="Compressa-Embedding",
    base_url="https://compressa-api.mil-team.ru/v1", # при локальном запуске замените на ваш url, например http://localhost:8080/api/v1
    api_key="Ваш_API_ключ_Compressa", # при локальном запуске вы можете не требовать ключ или создать свой
    model_kwargs={"encoding_format": 'float'},
    tiktoken_enabled=False,
    tiktoken_model_name="Salesforce/SFR-Embedding-Mistral",
)

# Создание embedding для одного запроса
query_embedding = embeddings.embed_query("Как приготовить борщ?")

# Создание embeddings для нескольких документов
docs_embeddings = embeddings.embed_documents([
    "Борщ - это традиционный славянский суп",
    "Для приготовления борща нужна свекла",
    "Борщ обычно подают со сметаной",
    "В борщ часто добавляют мясо",
    "Борщ имеет характерный красный цвет"
])

Python (OpenAI клиент)

# from openai import OpenAI - если у вас еще нет этого пакета

client = OpenAI(
    api_key = "Ваш_API_ключ_Compressa", # при локальном запуске вы можете не требовать ключ или создать свой
    base_url = "https://compressa-api.mil-team.ru/v1" # при локальном запуске замените на ваш url, например http://localhost:8080/api/v1
)

# Создание embedding для одного запроса
embedding = client.embeddings.create(
    model="Compressa-Embedding",
    input="Как приготовить борщ?",
    encoding_format="float",
)

# Создание embeddings для нескольких документов
docs = [
    "Борщ - это традиционный славянский суп",
    "Для приготовления борща нужна свекла",
    "Борщ обычно подают со сметаной",
    "В борщ часто добавляют мясо",
    "Борщ имеет характерный красный цвет"
]

embeddings = client.embeddings.create(
    model="Compressa-Embedding",
    input=docs,
    encoding_format="float",
)

cURL

# при локальном запуске замените на ваш url, например http://localhost:8080/v1/embeddings
# при локальном запуске вы можете не требовать API ключ или создать свой

curl -X 'POST' \
  'https://compressa-api.mil-team.ru/v1/embeddings' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer Ваш_API_ключ_Compressa' \
  -d '{
  "model": "Compressa-Embedding",
  "input": "запрос на эмбединг"
}'

Также в Python библиотеке Compressa доступно асинхронное создание embeddings

#pip install langchain-compressa - если у вас еще нет этого пакета

import os
from langchain_compressa import CompressaEmbeddings

embeddings = CompressaEmbeddings(
    model="Compressa-Embedding",
    base_url="https://compressa-api.mil-team.ru/v1", # при локальном запуске замените на ваш url, например http://localhost:8080/api/v1
    api_key="Ваш_API_ключ_Compressa", # при локальном запуске вы можете не требовать ключ или создать свой
    model_kwargs={"encoding_format": 'float'},
    tiktoken_enabled=False,
    tiktoken_model_name="Salesforce/SFR-Embedding-Mistral",
)

# Создание embedding для одного запроса
await embeddings.aembed_query("Как приготовить борщ?")

# Создание embeddings для нескольких документов
await embeddings.aembed_documents([
    "Борщ - это традиционный славянский суп",
    "Для приготовления борща нужна свекла",
    "Борщ обычно подают со сметаной",
    "В борщ часто добавляют мясо",
    "Борщ имеет характерный красный цвет"
])

Если вы хотите глубже погрузиться в Embeddings и понять, как технически устроен семантический поиск - посмотрите наше практическое руководство.