API ile embedding’ler

Embedding nedir

Embedding’ler ne işe yarar

• Anlamsal arama

  Farklı ifade edilmiş sorguları ve yazım hatalarını anlayan bilgi tabanı, katalog veya doküman araması.

• Sohbet botları için RAG

  Uygun belge parçalarını bulun ve dil modelinin verilerinize göre yanıt vermesi için ona iletin.

• Öneriler

  Açıklamalarının anlamına göre benzer ürünler, makaleler ve sorular, elle etiketleme olmadan.

• Kümeleme ve analiz

  Yorumları, destek taleplerini ve başvuruları konuya göre gruplayın, tekrarlayan sorunları bulun.

• Sınıflandırma

  Bir talebin konusunu, duygusunu veya ilgili departmanını her sınıfın örneklerine yakınlığına göre belirleyin.

• Yinelenenleri bulma

  Farklı kelimelerle yazılmış olsalar bile tekrarlanan ilanları, soruları ve belgeleri bulun.

Nasıl bağlanılır

1. Kaydolun ve bakiyenizi yükleyin: embedding’ler istek başına kopeğin küçük bir kısmına mal olur.
2. Profilinizde bir API anahtarı oluşturun. Anahtar yalnızca bir kez gösterilir, kaydedin.
3. Base URL’yi ve anahtarı OpenAI SDK’sında veya OpenAI API’sini destekleyen herhangi bir uygulamada belirtin ve metinleri /v1/embeddings adresine gönderin.

Base URL: https://sujik.ru/v1

from openai import OpenAI

client = OpenAI(base_url="https://sujik.ru/v1", api_key="sk-sujik-...")

result = client.embeddings.create(
    model="text-embedding-3-small",
    input=["Ürünü nasıl iade ederim?", "İade ve değişim koşulları"],
)
print(len(result.data[0].embedding), result.usage.total_tokens)

{
  "object": "list",
  "data": [
    { "object": "embedding", "index": 0, "embedding": [0.0123, -0.0456, 0.0789, …] },
    { "object": "embedding", "index": 1, "embedding": [0.0098, -0.0411, 0.0802, …] }
  ],
  "model": "text-embedding-3-small",
  "usage": { "prompt_tokens": 14, "total_tokens": 14 }
}

Tek istekte 2048 metne kadar gönderebilirsiniz. dimensions parametresi destekleyen modellerde vektörü kısaltır, encoding_format: base64 ise yanıtı küçültür.

15 satırda anlamsal arama

Belge vektörlerini bir kez alın, ardından sorgu vektörünü onlarla karşılaştırın.

import numpy as np
from openai import OpenAI

client = OpenAI(base_url="https://sujik.ru/v1", api_key="sk-sujik-...")
docs = ["İade ve değişim koşulları", "...", "..."]

def embed(texts):
    result = client.embeddings.create(model="text-embedding-3-small", input=texts)
    return np.array([item.embedding for item in result.data])

doc_vectors = embed(docs)
query = embed(["Ürünü nasıl iade ederim?"])[0]
scores = doc_vectors @ query  # unit vectors: dot product = cosine
best = int(scores.argmax())
print(docs[best], round(float(scores[best]), 3))

Modeller ve fiyatlar

Fiyat 1 milyon girdi token’ı içindir. API üzerinden sitedeki teste göre %10 daha ucuz.

Fiyatlar şu anda yüklenemedi. Güncel liste fiyatlar sayfasında.

İpuçları

• Yalnızca aynı modelin vektörlerini karşılaştırın: farklı modellerin uzayları farklıdır.
• Daha isabetli arama için uzun belgeleri küçük bir örtüşmeyle 200–800 token’lık parçalara bölün.
• Model değiştirdiğinizde dizini yeniden hesaplayabilmek için her vektörün yanında kaynak metni ve model id’sini saklayın.
• Kısa bir vektör (dimensions 256–1024) neredeyse hiç kalite kaybı olmadan veritabanında yer kazandırır.

Sık sorulan sorular