来源、许可与阅读说明

• 简体中文原文：translations/zh-CN/08-building-search-applications/README.md
• 来源：microsoft/generative-ai-for-beginners；固定提交：645f932514e9
• 版权与贡献：Copyright (c) Microsoft Corporation；课程内容及简体中文翻译由固定版本记录的项目贡献者共同维护。
• 许可：MIT License 固定版本；完整许可文本保留在本文末尾。
• 本站适配：选取仓库已有的简体中文课程，移除翻译元数据，固定图片与仓库文件链接，并把跨课链接改为站内连续阅读；不把代码示例和作业 Notebook 重复复制为文章。
• 非官方说明：本站只做独立的公开学习编排，不代表 Microsoft、课程维护者或文中第三方对本站的合作、认证或背书。
• 时效与安全：模型、API、价格、平台和命令可能变化；运行示例前请核对固定源码与最新官方文档，密钥只能放在受控环境变量中。
• 授权、更正或删除请求请通过本站首页公开联系方式提出，收到有效请求后先下架再核查。

构建搜索应用程序

点击上方图片观看本课视频

大型语言模型（LLMs）不仅仅用于聊天机器人和文本生成。通过使用嵌入（Embeddings），还可以构建搜索应用程序。嵌入是数据的数值表示，也称为向量，可用于数据的语义搜索。

在本课中，你将为我们的教育初创公司构建一个搜索应用程序。我们的初创公司是一家非营利组织，致力于为发展中国家的学生提供免费教育。公司拥有大量的 YouTube 视频，学生可以通过这些视频学习 AI 知识。公司希望构建一个搜索应用程序，允许学生通过输入问题来搜索相关的 YouTube 视频。

例如，学生可能会输入“什么是 Jupyter Notebooks？”或“什么是 Azure ML”，搜索应用程序将返回与问题相关的 YouTube 视频列表，更棒的是，搜索应用程序还会返回视频中回答问题的具体时间点链接。

介绍

在本课中，我们将学习以下内容：

• 语义搜索与关键词搜索的区别。
• 什么是文本嵌入。
• 创建文本嵌入索引。
• 搜索文本嵌入索引。

学习目标

完成本课后，你将能够：

• 区分语义搜索和关键词搜索。
• 解释什么是文本嵌入。
• 使用嵌入创建一个数据搜索应用程序。

为什么要构建搜索应用程序？

创建搜索应用程序将帮助你理解如何使用嵌入来搜索数据。你还将学习如何构建一个搜索应用程序，帮助学生快速找到所需信息。

本课包含一个 Microsoft AI Show YouTube 频道的转录嵌入索引。AI Show 是一个教授 AI 和机器学习的 YouTube 频道。嵌入索引包含截至 2023 年 10 月的所有 YouTube 转录嵌入。你将使用嵌入索引为我们的初创公司构建一个搜索应用程序。搜索应用程序会返回视频中回答问题的具体时间点链接。这是一种帮助学生快速找到所需信息的绝佳方式。

以下是一个关于问题“可以在 Azure ML 中使用 RStudio 吗？”的语义查询示例。查看 YouTube URL，你会发现 URL 包含一个时间戳，直接跳转到视频中回答问题的具体时间点。

什么是语义搜索？

你可能会问，什么是语义搜索？语义搜索是一种搜索技术，它利用查询中单词的语义或含义来返回相关结果。

以下是一个语义搜索的示例。假设你想买一辆车，你可能会搜索“我的梦想之车”，语义搜索能够理解你并不是在“做梦”关于一辆车，而是想要购买你“理想的”车。语义搜索能够理解你的意图并返回相关结果。而关键词搜索则会字面搜索关于车的梦，通常会返回不相关的结果。

什么是文本嵌入？

文本嵌入是一种用于自然语言处理的文本表示技术。文本嵌入是文本的语义数值表示。嵌入用于以机器易于理解的方式表示数据。有许多构建文本嵌入的模型，在本课中，我们将重点使用 OpenAI 嵌入模型生成嵌入。

举个例子，假设以下文本来自 AI Show YouTube 频道某一集的转录：

Today we are going to learn about Azure Machine Learning.

我们将文本传递给 OpenAI 嵌入 API，它会返回一个由 1536 个数字组成的嵌入，也就是一个向量。向量中的每个数字代表文本的不同方面。为了简洁，这里是向量中的前 10 个数字。

[-0.006655829958617687, 0.0026128944009542465, 0.008792596869170666, -0.02446001023054123, -0.008540431968867779, 0.022071078419685364, -0.010703742504119873, 0.003311325330287218, -0.011632772162556648, -0.02187200076878071, ...]

嵌入索引是如何创建的？

本课的嵌入索引是通过一系列 Python 脚本创建的。你可以在本课的“scripts”文件夹中的 README 中找到这些脚本及其使用说明。完成本课不需要运行这些脚本，因为嵌入索引已经为你提供。

这些脚本执行以下操作：

1. 下载 AI Show 播放列表中每个 YouTube 视频的转录。
2. 使用 OpenAI Functions，尝试从 YouTube 转录的前 3 分钟中提取演讲者姓名。每个视频的演讲者姓名存储在嵌入索引 embedding_index_3m.json 中。
3. 然后将转录文本分块为3 分钟的文本片段。每个片段包括大约 20 个与下一个片段重叠的单词，以确保片段的嵌入不会被截断，并提供更好的搜索上下文。
4. 每个文本片段传递给 OpenAI Chat API，将文本总结为 60 个单词。总结也存储在嵌入索引 embedding_index_3m.json 中。
5. 最后，将片段文本传递给 OpenAI 嵌入 API。嵌入 API 返回一个由 1536 个数字组成的向量，表示片段的语义含义。片段及其 OpenAI 嵌入向量存储在嵌入索引 embedding_index_3m.json 中。

向量数据库

为了简化课程，嵌入索引存储在名为 embedding_index_3m.json 的 JSON 文件中，并加载到 Pandas DataFrame 中。然而，在生产环境中，嵌入索引通常存储在向量数据库中，例如 Azure Cognitive Search、Redis、Pinecone、Weaviate等。

理解余弦相似度

我们已经了解了文本嵌入，接下来需要学习如何使用文本嵌入来搜索数据，特别是通过余弦相似度找到与给定查询最相似的嵌入。

什么是余弦相似度？

余弦相似度是两个向量之间相似度的度量，你也会听到它被称为“最近邻搜索”。要执行余弦相似度搜索，你需要使用 OpenAI 嵌入 API 对查询文本进行_向量化_。然后计算查询向量与嵌入索引中每个向量的_余弦相似度_。记住，嵌入索引中每个 YouTube 转录文本片段都有一个向量。最后，根据余弦相似度对结果进行排序，余弦相似度最高的文本片段与查询最相似。

从数学角度来看，余弦相似度测量两个向量在多维空间中投影的角度的余弦值。这种测量很有用，因为即使两个文档由于大小不同而在欧几里得距离上相距较远，它们之间的角度可能较小，因此余弦相似度较高。有关余弦相似度公式的更多信息，请参阅 余弦相似度。

构建你的第一个搜索应用程序

接下来，我们将学习如何使用嵌入构建一个搜索应用程序。该搜索应用程序将允许学生通过输入问题来搜索视频。搜索应用程序将返回与问题相关的视频列表，同时还会返回视频中回答问题的具体时间点链接。

该解决方案已在 Windows 11、macOS 和 Ubuntu 22.04 上使用 Python 3.10 或更高版本进行构建和测试。你可以从 python.org 下载 Python。

作业 - 构建搜索应用程序，帮助学生

我们在本课开始时介绍了我们的初创公司。现在是时候帮助学生构建一个用于评估的搜索应用程序了。

在本次作业中，你将创建用于构建搜索应用程序的 Azure OpenAI 服务。你需要创建以下 Azure OpenAI 服务。完成此作业需要一个 Azure 订阅。

启动 Azure Cloud Shell

1. 登录 Azure 门户。
2. 选择 Azure 门户右上角的 Cloud Shell 图标。
3. 选择 Bash 作为环境类型。

创建资源组

在这些说明中，我们使用名为“semantic-video-search”的资源组，位置为美国东部。 你可以更改资源组的名称，但在更改资源位置时，请检查模型可用性表。

az group create --name semantic-video-search --location eastus

创建 Azure OpenAI 服务资源

在 Azure Cloud Shell 中运行以下命令以创建 Azure OpenAI 服务资源。

az cognitiveservices account create --name semantic-video-openai --resource-group semantic-video-search \
    --location eastus --kind OpenAI --sku s0

获取此应用程序使用的端点和密钥

在 Azure Cloud Shell 中运行以下命令以获取 Azure OpenAI 服务资源的端点和密钥。

az cognitiveservices account show --name semantic-video-openai \
   --resource-group  semantic-video-search | jq -r .properties.endpoint
az cognitiveservices account keys list --name semantic-video-openai \
   --resource-group semantic-video-search | jq -r .key1

部署 OpenAI 嵌入模型

在 Azure Cloud Shell 中运行以下命令以部署 OpenAI 嵌入模型。

az cognitiveservices account deployment create \
    --name semantic-video-openai \
    --resource-group  semantic-video-search \
    --deployment-name text-embedding-ada-002 \
    --model-name text-embedding-ada-002 \
    --model-version "2"  \
    --model-format OpenAI \
    --sku-capacity 100 --sku-name "Standard"

解决方案

在 GitHub Codespaces 中打开 解决方案笔记本，并按照 Jupyter Notebook 中的说明操作。

运行笔记本时，系统会提示你输入查询。输入框如下所示：

做得好！继续学习

完成本课后，请查看我们的 生成式 AI 学习合集，继续提升你的生成式 AI 知识！

前往第 9 课，我们将学习如何构建图像生成应用程序！

免责声明：
本文档使用AI翻译服务Co-op Translator进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。

MIT License

MIT License

Copyright (c) Microsoft Corporation.

Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:

The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.

THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.