Utilisez l'API d'intégration de texte watsonx.ai et les modèles d'intégration disponibles pour générer des intégrations de texte.

Utilisez les fonctions disponibles dans la bibliothèque watsonx.ai Python à partir d'un bloc-notes dans watsonx.ai pour convertir du texte en incorporations de texte.

Le fragment de code suivant montre comment utiliser le modèle slate-30m-english-rtrvr pour convertir les deux lignes de texte suivantes en incorporations de texte:

• Un foundation model est un modèle d'IA génératif à grande échelle qui peut être adapté à un large éventail de tâches en aval.
• L'intelligence artificielle générative est une classe d'algorithmes d'intelligence artificielle qui peut produire divers types de contenu, notamment du texte, du code source, des images, des données audio et synthétiques.

from ibm_watsonx_ai.foundation_models import Embeddings
from ibm_watsonx_ai.metanames import EmbedTextParamsMetaNames as EmbedParams

my_credentials = {
  "url": "https://{region}.ml.cloud.ibm.com",
  "apikey": {my-IBM-Cloud-API-key},
}

client = APIClient(my_credentials)

model_id = client.foundation_models.EmbeddingModels.SLATE_30M_ENGLISH_RTRVR
gen_parms = None
project_id = {my-project-ID}
space_id = None
verify = False

# Set the truncate_input_tokens to a value that is equal to or less than the maximum allowed tokens for the embedding model that you are using. If you don't specify this value and the input has more tokens than the model can process, an error is generated.

embed_params = {
  EmbedParams.TRUNCATE_INPUT_TOKENS: 128,
  EmbedParams.RETURN_OPTIONS: {
    'input_text': True
  }
}

embedding = Embeddings(
  model_id=model_id,
  credentials=my_credentials,
  params=embed_params,
  project_id=project_id,
  space_id=space_id,
  verify=verify
)

q = [
  "A foundation model is a large-scale generative AI model that can be adapted to a wide range of downstream tasks.",
  "Generative AI a class of AI algorithms that can produce various types of content including text, source code, imagery, audio, and synthetic data."
]

embedding_vectors = embedding.embed_documents(texts=q)

print(embedding_vectors)

Remplacez {region}, {my-IBM-Cloud-API-key}et {my-project-ID} par des valeurs valides pour votre environnement.

Exemple de sortie

[
   [-0.0053823674,-0.018807093,0.009131943, ...-0.010469643,0.0010533642,0.020114796], 
   [-0.04075534,-0.041552857,0.04326911, ...0.017616473,-0.010064489,0.020788372]
]