Vytvoření Pinecone klienta

V průběhu kurzu budeš psát Python kód pro práci s Pinecone prostřednictvím Pinecone Python klienta. Jako první krok si budeš muset vytvořit vlastní Pinecone API klíč. API klíče Pinecone použité v cvičeních tohoto kurzu nebudou nijak ukládány.

Pro vytvoření klíče si nejdřív založ bezplatný startovací účet na Pinecone na adrese https://www.pinecone.io/. Pak přejdi na stránku API Keys a svůj klíč si tam vytvoř.

Pinecone's API keys page

Toto cvičení je součástí kurzu

Tvorba AI aplikací s Pinecone

Zobrazit kurz

Pokyny k cvičení

Z modulu pinecone importuj třídu, která slouží k vytvoření Pinecone klienta.
Vytvoř instanci třídy Pinecone a předej jí svůj API klíč.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the Pinecone library
from ____ import ____

# Initialize the Pinecone client
pc = ____

Upravit a spustit kód

Toto cvičení je součástí kurzu

Tvorba AI aplikací s Pinecone

SkillTag.level.intermediateSkillTag.label

4.8+

2094 reviews

Začněte kurz zdarma

Prozkoumej, jak Pinecone vektorová databáze funguje zevnitř – od podů a indexů až po srovnání s jinými databázemi. Naučíš se rozlišovat typy podů, získat API klíče a inicializovat připojení k Pinecone v Pythonu. Nakonec se pustíš do vytváření indexů v Pinecone a prozkoumáš různé parametry, jako jsou dimenzionalita, metriky vzdálenosti, typy podů a další.

Exercise 1: Úvod do Pinecone indexů Exercise 2: Vytvoření Pinecone klienta

Aktuální cvičení

Exercise 3: Tvůj první Pinecone index Exercise 4: Správa indexů Exercise 5: Připojení k indexu Exercise 6: Smazání indexu Exercise 7: Ekosystém Pinecone Exercise 8: Vkládání vektorů Exercise 9: Kontrola dimenzionality Exercise 10: Vkládání vektorů s metadaty

Vyzkoušej si práci s Pinecone přímo v Pythonu. Zaměříme se na praktickou stránku používání Pinecone – správu indexů, přidávání vektorů s metadaty, vyhledávání a načítání vektorů a také jejich aktualizaci nebo mazání. Osvojíš si klíčové funkce a koncepty, které ti umožní plynule pracovat s daty ve vektorové databázi Pinecone.

Exercise 1: Načítání vektorů Exercise 2: Querying vs. fetching Exercise 3: Načítání vektorů Exercise 4: Dotazování na vektory Exercise 5: Vrácení nejpodobnějších vektorů Exercise 6: Změna metriky vzdálenosti Exercise 7: Filtrování podle metadat Exercise 8: Filtrování dotazů Exercise 9: Kombinace více filtrů metadat Exercise 10: Aktualizace a mazání vektorů Exercise 11: Aktualizace hodnot vektoru Exercise 12: Aktualizace metadat vektoru Exercise 13: Mazání vektorů

V této kapitole se ponoříš do optimalizace výkonu indexů Pinecone, využití multi-tenant jmenných prostorů pro snížení nákladů, tvorby sémantických vyhledávačů a vytváření systémů pro zodpovídání otázek s využitím Retrieval Augmented Generation pomocí Pinecone a OpenAI API. Díky těmto lekcím získáš praktické dovednosti v ladění výkonu, sémantickém vyhledávání a RAG, které ti umožní efektivně využít Pinecone v reálných AI aplikacích.

Exercise 1: Dávkové vkládání dat (upserts)Exercise 2: Definování funkce pro rozdělení dat na části Exercise 3: Dávkové vkládání dat po chuncích Exercise 4: Dávkové upserty paralelně Exercise 5: Multitenancy a jmenné prostory Exercise 6: Jmenné prostory Exercise 7: Dotazování na namespace Exercise 8: Sémantické vyhledávání s Pinecone Exercise 9: Vytvoření a konfigurace Pinecone indexu Exercise 10: Vkládání vektorů pro sémantické vyhledávání Exercise 11: Dotazování vektorů pro sémantické vyhledávání Exercise 12: RAG chatbot s Pinecone a OpenAI Exercise 13: Upsert přepisů z YouTube Exercise 14: Tvorba funkce pro vyhledávání Exercise 15: Funkce pro odpovídání na otázky pomocí RAG Exercise 16: Gratulujeme!