ComenzarEmpieza gratis

Consulta de vectores para la búsqueda semántica

En este ejercicio, crearás un vector de consulta a partir de la pregunta « 'What is in front of the Notre Dame Main Building?' » (¿Cuántos coches hay en el mundo?). Con esta consulta incrustada, consultarás el espacio de nombres 'squad_dataset' desde el índice 'pinecone-datacamp' y devolverás los cinco vectores más similares.

Este ejercicio forma parte del curso

Bases de datos vectoriales para incrustaciones con Pinecone

Ver curso

Instrucciones del ejercicio

  • Inicializa el cliente Pinecone con tu clave API (el cliente OpenAI está disponible en client).
  • Crea un vector de consulta incrustando el query proporcionado con el mismo modelo de incrustación de OpenAI que utilizaste para incrustar los otros vectores.
  • Consulta el espacio de nombres "squad_dataset" utilizando query_emb y devuelve los cinco resultados más similares.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Initialize the Pinecone client
pc = Pinecone(api_key="____")
index = pc.Index('pinecone-datacamp')

query = "What is in front of the Notre Dame Main Building?"

# Create the query vector
query_response = ____(
    input=____,
    model="text-embedding-3-small"
)
query_emb = query_response.data[0].embedding

# Query the index and retrieve the top five most similar vectors
retrieved_docs = ____

for result in retrieved_docs['matches']:
    print(f"{result['id']}: {round(result['score'], 2)}")
    print('\n')
Editar y ejecutar código