embedding = client.embeddings.create(
model="text-embedding-3-small",
input="Política de cancelamento válida por 7 dias."
)
embedding = client.embeddings.create(
model="text-embedding-3-small",
input="Política de cancelamento válida por 7 dias."
)
Olá, Moacir! Como vai?
Parabéns pela resolução da atividade!
Observei que você explorou o uso da API de embeddings para transformar texto em vetores, utilizou muito bem o parâmetro model para definir a versão desejada e ainda compreendeu a importância de aplicar o input com uma frase clara para gerar representações semânticas.
Uma dica interessante para o futuro é imprimir ou manipular o vetor retornado para verificar como o embedding pode ser usado em buscas semânticas ou comparações de similaridade. Assim:
embedding = client.embeddings.create(
model="text-embedding-3-small",
input="Política de cancelamento válida por 7 dias."
)
print(embedding.data[0].embedding[:10]) # mostra os 10 primeiros valores do vetor
Isso faz com que você visualize parte do vetor gerado e entenda melhor como os embeddings podem ser aplicados em tarefas de NLP.
Fico à disposição! E se precisar, conte sempre com o apoio do fórum.
Abraço e bons estudos!
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!