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

Možnosti

Querying

Fetching

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.

Introduction to Embeddings with the OpenAI API

Zjistěte, jak Pinecone databáze mění vývoj AI aplikací!

Tvorba AI aplikací s Pinecone

Zjistěte, jak vektorová databáze Pinecone mění vývoj AI aplikací!

Asociovaný AI inženýr pro vývojáře

Vyhledání filmů s podobným dějem na základě děje tvého oblíbeného filmu

Doporučení zpravodajských článků na základě naposledy přečtených článků

Vyhledání konkrétní recenze zákazníka pomocí jejího jedinečného ID

Vyhledání informací o produktu pomocí jeho jedinečného kódu

Querying vs. fetching

Tvorba AI aplikací s Pinecone

Interaktivní praktické cvičení