Embedding

**Introducción:** La inteligencia artificial ha revolucionado nuestra forma de interactuar con la información. En este texto, argumentaremos cómo la búsqueda vectorial, utilizando el modelo Hada disponible en Europa NI service, cambia la forma en que evaluamos la similitud entre textos. **Definición de Búsqueda Vectorial:** La búsqueda vectorial es una herramienta que permite explorar y buscar datos propios. En lugar de buscar coincidencias de palabras, la búsqueda vectorial genera representaciones vectoriales de nuestros datos para encontrar textos similares basándose en medidas vectoriales. **El Modelo Hada:** El modelo Hada es un algoritmo de inteligencia artificial que genera representaciones vectoriales de textos. Este modelo está disponible en Europa NI service y se utiliza para procesar grandes volúmenes de texto, generando un dataset basado en representaciones vectoriales. Es importante mencionar que el modelo Hada no está disponible en todas las regiones, por lo que para este ejemplo, se ha desplegado un modelo en la región este de los Estados Unidos. **Implementación de la Búsqueda Vectorial:** El proceso de implementación de la búsqueda vectorial comienza con la tokenización del texto, seguido de la generación de representaciones vectoriales utilizando el modelo Hada. Una vez obtenida la representación vectorial, se puede hacer una comparación con otros textos del dataset. **Ejemplo de Búsqueda Vectorial:** Un ejemplo práctico de la búsqueda vectorial es la receta de cocina. Se puede generar una representación vectorial de una receta y luego buscar recetas similares en el dataset. La búsqueda vectorial permite encontrar recetas que pueden ser consideradas similares sin necesidad de que coincidan las palabras. **Conclusión:** La búsqueda vectorial, con la ayuda del modelo Hada, es una herramienta poderosa para la exploración y búsqueda de datos. A través de la generación de representaciones vectoriales, podemos encontrar textos similares basados en medidas vectoriales en lugar de coincidencias de palabras. Esto nos permite hacer consultas en lenguaje natural y obtener resultados precisos y relevantes.


Errrrr! 

Es importante tener en cuenta que no siempre el ENGINE tiene el nombre de text-embedding-ada-002, siempre depende del nombre de la implementación en azure, si la implementación (que esta configurada desde azure con text-embedding-ada-002) se llama PEPITO, debe ir de la siguiente forma: 

Para los que usen la biblioteca de la API de OpenAI Python 1.x les recomiendo ajustar su código según esta documentación:
1.- https://learn.microsoft.com/es-es/azure/ai-services/openai/tutorials/embeddings?tabs=python-new%2Ccommand-line&pivots=programming-language-python.

2.- https://github.com/openai/openai-python/discussions/742