Filtrování dotazů

V tomto cvičení si procvičíš dotazování na Pinecone index 'datacamp-index'. Připojíš se k indexu a spustíš dotaz pomocí poskytnutého vektoru vector, abys načetl/a podobné vektory. Využiješ také filtrování podle metadat k zpřesnění dotazů a získání co nejrelevantnějších výsledků.

Toto cvičení je součástí kurzu

Tvorba AI aplikací s Pinecone

Pokyny k cvičení

Inicializuj připojení k Pinecone pomocí svého API klíče.
Načti NEJPODOBNĚJŠÍ vektor k poskytnutému vektoru vector – prohledávej pouze vektory, jejichž metadata 'year' se rovnají hodnotě 2024.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Initialize the Pinecone client with your API key
pc = Pinecone(api_key="____")

index = pc.Index('datacamp-index')

# Retrieve the MOST similar vector with the year 2024
query_result = ____
print(query_result)

Upravit a spustit kód

Toto cvičení je součástí kurzu

Tvorba AI aplikací s Pinecone

SkillTag.level.intermediateSkillTag.label

4.8+

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 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

Aktuální cvičení

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!