Actualización de transcripciones de YouTube
En los siguientes ejercicios, crearás un chatbot que puede responder preguntas sobre vídeos de YouTube mediante la ingesta de transcripciones de vídeos y metadatos adicionales en tu índice de 'pinecone-datacamp'.
Para empezar, prepararás los datos del archivo youtube_rag_data.csv archivo y actualizarás los vectores con todos sus metadatos en el índice 'pinecone-datacamp'. Los datos se proporcionan en el DataFrame youtube_df.
Aquí tienes un ejemplo de transcripción del DataFrame « youtube_df »:
id:
35Pdoyi6ZoQ-t0.0
title:
Training and Testing an Italian BERT - Transformers From Scratch #4
text:
Hi, welcome to the video. So this is the fourth video in a Transformers from Scratch
mini series. So if you haven't been following along, we've essentially covered what
you can see on the screen. So we got some data. We built a tokenizer with it...
url:
https://youtu.be/35Pdoyi6ZoQ
published:
01-01-2024
Este ejercicio forma parte del curso
Bases de datos vectoriales para incrustaciones con Pinecone
Instrucciones del ejercicio
- Inicializa el cliente Pinecone con tu clave API (el cliente OpenAI está disponible en
client). - Extraiga los metadatos
'id','text','title','url'y'published'de cada archivorow. - Codifica
textsutilizando'text-embedding-3-small'de OpenAI. - Inserta los vectores y los metadatos en un espacio de nombres llamado
'youtube_rag_dataset'.
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')
batch_limit = 100
for batch in np.array_split(youtube_df, len(youtube_df) / batch_limit):
# Extract the metadata from each row
metadatas = [{
"text_id": row['____'],
"text": row['____'],
"title": row['____'],
"url": row['____'],
"published": row['____']} for _, row in batch.iterrows()]
texts = batch['text'].tolist()
ids = [str(uuid4()) for _ in range(len(texts))]
# Encode texts using OpenAI
response = ____(input=____, model="text-embedding-3-small")
embeds = [np.array(x.embedding) for x in response.data]
# Upsert vectors to the correct namespace
____(vectors=____(ids, embeds, metadatas), namespace='____')
print(index.describe_index_stats())