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.

Úvod do Pinecone indexů

Vytvoření Pinecone klienta

Tvůj první Pinecone index

Správa indexů

Připojení k indexu

Smazání indexu

Ekosystém Pinecone

Vkládání vektorů

Kontrola dimenzionality

Vkládání vektorů s metadaty

Úvod do Pinecone

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.

Načítání vektorů

Querying vs. fetching

Dotazování na vektory

Vrácení nejpodobnějších vektorů

Změna metriky vzdálenosti

Filtrování podle metadat

Filtrování dotazů

Kombinace více filtrů metadat

Aktualizace a mazání vektorů

Aktualizace hodnot vektoru

Aktualizace metadat vektoru

Mazání vektorů

Práce s vektory v Pinecone pomocí Pythonu

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.

Dávkové vkládání dat (upserts)

Definování funkce pro rozdělení dat na části

Dávkové vkládání dat po chuncích

Dávkové upserty paralelně

Multitenancy a jmenné prostory

Jmenné prostory

Dotazování na namespace

Sémantické vyhledávání s Pinecone

Vytvoření a konfigurace Pinecone indexu

Vkládání vektorů pro sémantické vyhledávání

Dotazování vektorů pro sémantické vyhledávání

RAG chatbot s Pinecone a OpenAI

Upsert přepisů z YouTube

Tvorba funkce pro vyhledávání

Funkce pro odpovídání na otázky pomocí RAG

Gratulujeme!

Ladění výkonu a AI aplikace

Stanford Question Answering Dataset (SQuAD)

YouTube Transcripts

Zjisti, jak vektorová databáze Pinecone mění vývoj AI aplikací. Pinecone je plně spravované řešení vektorové databáze s velmi nízkou latencí dotazů, které si získává stále silnější pozici na trhu. V tomto kurzu se naučíš vkládat, zpracovávat a dotazovat vektory z indexů Pinecone. Tyto dovednosti využiješ spolu s dalšími klíčovými koncepty, jako je Retrieval Augmented Generation (RAG), při tvorbě AI aplikací – například sémantických vyhledávačů a kontextově uvědomělých chatbotů. Na závěr se zaměříš na optimalizaci produkčních databází: ladění výkonu, optimalizaci úložiště a snižování latence dotazů.

<h2>Odemkněte sílu embeddingů s vektorovou databází Pinecone</h2>
V úvodních kapitolách se ponoříte do základů Pinecone, porozumíte jeho hlavním možnostem, výhodám a klíčovým konceptům, jako jsou pods, indexes a projects. Prostřednictvím praktických lekcí porovnáš Pinecone s dalšími vektorovými databázemi a získáš přehled o jeho bezkonkurenční funkčnosti a snadném používání.<br><br>
<h2>Interakce Pythonu s Pinecone</h2>
Vybavte se dovednostmi pro bezproblémovou práci s Pinecone pomocí Pythonu. Naučte se rozlišovat mezi typy podů, nastavit své prostředí a nakonfigurovat klienta Pinecone pro Python. Ponoříte se do jádra Pinecone tím, že se naučíte programově vytvářet vektorové databáze, porozumíte parametrům ovlivňujícím vytváření indexů Pinecone, včetně dimenzionality, metrik vzdálenosti, typů podů a replik, a osvojíte si umění vkládání vektorů s metadaty do indexů Pinecone. Rozvinete si dovednosti v dotazování a získávání vektorů pomocí Pythonu a získáte přehled o aktualizaci a mazání vektorů, abyste efektivně zvládali koncept driftu.<br><br>
<h2>Pokročilé aplikace Pinecone a AI</h2>
Překročte základy a prozkoumejte pokročilé koncepty Pinecone, jako je sledování výkonu Pinecone, ladění pro vyšší efektivitu a implementace víceklientské architektury pro řízení přístupu. Prozkoumáte pokročilé aplikace, včetně sémantických vyhledávačů postavených na Pinecone a jeho integrace s OpenAI API pro projekty, jako je RAG chatbot.

Smazání indexu

Tvorba AI aplikací s Pinecone

Pokyny k cvičení

Interaktivní cvičení na vyzkoušení si v praxi