वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector · पाठ

एम्बेडिंग API का उपयोग

OpenAI और Hugging Face जैसे प्रदाताओं की एम्बेडिंग निर्माण सेवाओं को एकीकृत और उपयोग करना सीखिए।

पाठ 2, कुल 4 में से11 चरण

एम्बेडिंग API का उपयोग, CoddyKit पर वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector का एक निःशुल्क पाठ है। यह 4 में से 2वाँ पाठ है। इस अध्ययन पथ के 3 तक कोई भी पाठ पूरा पढ़ना निःशुल्क है — इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ व्यावहारिक अभ्यास भी उपलब्ध कराता है। यह वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

एम्बेडिंग एपीआई क्या होते हैं?

एम्बेडिंग एपीआई ऐसी सेवाएँ हैं जो आपको पाठ या तस्वीरों जैसे विभिन्न प्रकार के डेटा को आसानी से वेक्टर एम्बेडिंग में बदलने देती हैं।

इन्हें उपयोग के लिए तैयार उपकरण समझिए। अपने जटिल मॉडल बनाने और प्रशिक्षित करने के बजाय, आप अपना डेटा एपीआई को भेजते हैं और यह संख्यात्मक वेक्टर निरूपण लौटाता है।

एम्बेडिंग एपीआई का उपयोग क्यों करें?

एम्बेडिंग के लिए एपीआई का उपयोग करने से महत्वपूर्ण लाभ मिलते हैं, खासकर शुरुआती लोगों या त्वरित एकीकरण चाहने वालों के लिए:

पूर्व-प्रशिक्षित मॉडल: प्रशिक्षण की आवश्यकता के बिना शक्तिशाली और अत्याधुनिक मॉडलों तक पहुँच।
उपयोग में सरलता: कुछ ही कोड पंक्तियों के साथ अपने अनुप्रयोगों में सरल एकीकरण।
स्केलेबिलिटी: अंतर्निहित बुनियादी ढाँचे को एपीआई प्रदाता संभालता है, जिससे आपका अनुप्रयोग आसानी से बड़ा हो सकता है।
किफायती: अक्सर अपने मॉडल और हार्डवेयर को बनाए रखने की तुलना में अधिक किफायती।

OpenAI: एक अग्रणी प्रदाता

OpenAI एआई मॉडलों का एक प्रसिद्ध प्रदाता है, जिसमें शक्तिशाली एम्बेडिंग सेवाएँ भी शामिल हैं। इसका एपीआई उच्च-गुणवत्ता वाली एम्बेडिंग तैयार करना आसान बनाता है।

इसके द्वारा प्रदान किया जाने वाला एक लोकप्रिय मॉडल text-embedding-ada-002 है, जो अनेक उपयोग-प्रसंगों में प्रदर्शन, बहुमुखी प्रतिभा और लागत-कुशलता के संतुलन के लिए जाना जाता है।

OpenAI एपीआई: प्रारंभिक सेटअप

OpenAI के एम्बेडिंग एपीआई के साथ शुरुआत करने के लिए आपको इसकी वेबसाइट से एक एपीआई कुंजी लेनी होगी। इस कुंजी को गोपनीय रखना अत्यंत आवश्यक है!

आपको आधिकारिक पाइथन क्लाइंट लाइब्रेरी भी स्थापित करनी होगी। अपना टर्मिनल खोलें और चलाएँ:

pip install openai

सुरक्षा के लिए अपनी एपीआई कुंजी को सीधे अपने कोड में रखने के बजाय हमेशा एक पर्यावरण चर में संग्रहित करें।

OpenAI के साथ एम्बेडिंग तैयार करें

यह पाइथन प्रोग्राम OpenAI एपीआई का उपयोग करके किसी पाठ के लिए एम्बेडिंग तैयार करने का तरीका दिखाता है। "YOUR_OPENAI_API_KEY_HERE" को अपनी वास्तविक कुंजी से बदलना याद रखें।

import os
from openai import OpenAI

# Replace with your actual API key or set as environment variable
# client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))
client = OpenAI(api_key="YOUR_OPENAI_API_KEY_HERE") # For demonstration

def get_openai_embedding(text, model="text-embedding-ada-002"):
    # OpenAI recommends replacing newlines with spaces for best results
    text = text.replace("\n", " ") 
    response = client.embeddings.create(input=[text], model=model)
    return response.data[0].embedding

if __name__ == "__main__":
    example_text = "CoddyKit makes learning to code easy and fun."
    embedding = get_openai_embedding(example_text)
    print(f"Text: '{example_text}'")
    print(f"Embedding length: {len(embedding)}")
    print(f"First 5 dimensions: {embedding[:5]}")

हगिंग फेस: मुक्त-स्रोत मॉडल

हगिंग फेस अपने मुक्त-स्रोत मशीन लर्निंग मॉडलों के विशाल संग्रह के लिए प्रसिद्ध है। यह एक इन्फरेंस एपीआई भी प्रदान करता है, जिसकी सहायता से आप जटिल स्थानीय सेटअप के बिना इनमें से कई मॉडलों का उपयोग कर सकते हैं।

यह अलग-अलग मॉडलों के साथ प्रयोग करने के लिए बहुत उपयोगी है, खासकर विभिन्न वाक्य ट्रांसफॉर्मर मॉडलों के साथ, जो पाठ एम्बेडिंग के लिए उत्कृष्ट होते हैं।

हगिंग फेस एपीआई के साथ एम्बेडिंग

आप मानक एचटीटीपी अनुरोधों का उपयोग करके हगिंग फेस इन्फरेंस एपीआई तक पहुँच सकते हैं। आपको अपने हगिंग फेस खाते से एक एपीआई टोकन लेना होगा।

यहाँ requests लाइब्रेरी का उपयोग करने वाला एक पाइथन उदाहरण दिया गया है, जो एक लोकप्रिय वाक्य ट्रांसफॉर्मर मॉडल से एम्बेडिंग प्राप्त करता है।

import requests
import json
import os

# Replace with your Hugging Face API token or set as environment variable
# HF_API_TOKEN = os.environ.get("HF_API_TOKEN")
HF_API_TOKEN = "YOUR_HUGGINGFACE_API_TOKEN_HERE" # For demonstration

# Example model for sentence embeddings
API_URL = "https://api-inference.huggingface.co/models/sentence-transformers/all-MiniLM-L6-v2"
HEADERS = {"Authorization": f"Bearer {HF_API_TOKEN}"}

def query_hf_api(payload):
    response = requests.post(API_URL, headers=HEADERS, json=payload)
    return response.json()

if __name__ == "__main__":
    text_to_embed = "Mobile learning platforms are convenient."
    data = query_hf_api({"inputs": text_to_embed})

    if isinstance(data, list) and len(data) > 0 and isinstance(data[0], list):
        embedding = data[0]
        print(f"Text: '{text_to_embed}'")
        print(f"Embedding length: {len(embedding)}")
        print(f"First 5 dimensions: {embedding[:5]}")
    else:
        print(f"Error or unexpected response: {data}")
        print("Please check your API token and ensure the model is available.")

अपनी एपीआई कुंजियों को सुरक्षित रखें!

एपीआई कुंजियाँ आपकी सेवाओं के पासवर्ड जैसी होती हैं। उन्हें हमेशा अत्यंत सावधानी से संभालें:

पर्यावरण चर: कुंजियों को पर्यावरण चर के रूप में संग्रहित करना सबसे सुरक्षित तरीका है; उन्हें कोड में कभी भी स्थायी रूप से न लिखें।
संस्करण नियंत्रण: एपीआई कुंजियों को सीधे अपने कोड भंडार में कभी कमिट न करें (जैसे Git, GitHub)।
पहुँच नियंत्रण: अपनी एपीआई कुंजियों तक पहुँच रखने वाले लोगों की संख्या सीमित रखें और यदि आपका प्रदाता अनुमति देता है, तो उन्हें नियमित रूप से बदलते रहें।

लागत और अनुरोध सीमाएँ

एम्बेडिंग एपीआई का उपयोग करते समय इन बातों का ध्यान रखें:

मूल्य निर्धारण मॉडल: अधिकांश एपीआई संसाधित किए गए टोकन या वर्णों की संख्या के आधार पर शुल्क लेते हैं। अलग-अलग मॉडलों और प्रदाताओं के बीच लागत में काफी अंतर हो सकता है। उनकी मूल्य निर्धारण वाली जानकारी अवश्य देखें।
अनुरोध सीमाएँ: एपीआई में अक्सर प्रति मिनट या प्रति सेकंड किए जा सकने वाले अनुरोधों की संख्या पर सीमाएँ होती हैं। इन सीमाओं से अधिक अनुरोध करने पर अस्थायी रोक या त्रुटियाँ आ सकती हैं।
मॉडल का चयन: अलग-अलग मॉडल प्रदर्शन और लागत के बीच अलग-अलग संतुलन प्रदान करते हैं। ऐसा मॉडल चुनें जो आपके अनुप्रयोग की आवश्यकताओं और बजट के अनुरूप हो।

एपीआई लाभ जाँच

अपने मॉडल को स्थानीय रूप से प्रशिक्षित करने की तुलना में किसी तृतीय-पक्ष एम्बेडिंग एपीआई (जैसे OpenAI या हगिंग फेस) का उपयोग करने के प्रमुख लाभों में निम्नलिखित में से कौन-कौन से शामिल हैं?

इंटरैक्टिव पाठ में इसका उत्तर दें

पुनरावलोकन: एम्बेडिंग एपीआई का उपयोग

इस पाठ में आपने OpenAI और हगिंग फेस जैसे प्रदाताओं की एम्बेडिंग तैयार करने वाली सेवाओं का लाभ उठाना सीखा:

हमने सुविधा और स्केलेबिलिटी के लिए एपीआई के माध्यम से पूर्व-प्रशिक्षित मॉडलों के उपयोग के लाभों को समझा।
आपने पाठ एम्बेडिंग तैयार करने के लिए OpenAI और हगिंग फेस इन्फरेंस एपीआई, दोनों के साथ एकीकरण के व्यावहारिक पाइथन उदाहरण देखे।
हमने एपीआई कुंजी की सुरक्षा, लागत को समझने और अनुरोध सीमाओं जैसे महत्वपूर्ण पहलुओं पर चर्चा की।

ये एपीआई आपके अनुप्रयोगों में अर्थ-सम्बन्धी समझ को शीघ्रता से जोड़ने के शक्तिशाली साधन हैं, जिससे अर्थ-आधारित खोज, अनुशंसाएँ और बहुत कुछ जैसी सुविधाएँ सक्षम होती हैं!

शुरुआत निःशुल्क

एआई शिक्षक के साथ वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector सीखें — निःशुल्क

अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।

पाठ्यक्रम: 12
पाठ: 48

निःशुल्क सीखना शुरू करें पूरा पाठ्यक्रम देखें

अक्सर पूछे जाने वाले प्रश्न

क्या “एम्बेडिंग API का उपयोग” पाठ निःशुल्क है?

हाँ — वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector अध्ययन पथ के 3 तक कोई भी पाठ, जिसमें “एम्बेडिंग API का उपयोग” भी शामिल है, यहाँ वेब पर पूरा पढ़ना निःशुल्क है। इसके बाद CoddyKit PRO हर पाठ अनलॉक करता है, साथ ही अंतर्निर्मित कोड संपादक और चौबीसों घंटे एआई शिक्षक के साथ इंटरैक्टिव अभ्यास भी उपलब्ध कराता है। वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ्यक्रम में कुल 4 पाठ शामिल हैं।

“एम्बेडिंग API का उपयोग” में मैं क्या सीखूँगा?

OpenAI और Hugging Face जैसे प्रदाताओं की एम्बेडिंग निर्माण सेवाओं को एकीकृत और उपयोग करना सीखिए। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।

क्या वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?

पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 2वाँ पाठ है।

“एम्बेडिंग API का उपयोग” पाठ पूरा करने में कितना समय लगता है?

CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।

क्या मैं इस वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ में कोड लिख और चला सकता हूँ?

हाँ। हर वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।

इस पाठ्यक्रम के सभी पाठ

टेक्स्ट एम्बेडिंग मॉडल
एम्बेडिंग API का उपयोग
एम्बेडिंग का संग्रहण और अद्यतन
बेहतर एम्बेडिंग के लिए पाठ को खंडों में बाँटना

← वेक्टर डेटाबेस: Pinecone, Weaviate और pgvector पर वापस जाएँ