Votre premier index Pinecone

Votre client Pinecone est initialisé ; vous êtes prêt à créer un index ! Les index servent à stocker des enregistrements, y compris les vecteurs et les métadonnées associées, ainsi qu'à traiter des requêtes et d'autres manipulations. Au fil du cours, vous verrez comment ces étapes s'assemblent pour former un système d'IA moderne basé sur une base de données de vecteurs.

La classe Pinecone a déjà été importée pour vous.

Cette activité fait partie du cours

Créer des applications d'IA avec Pinecone

Instructions de l’exercice

Importez la classe ServerlessSpec depuis pinecone.
Initialisez la connexion à Pinecone à l'aide de votre clé d'API.
Créez un index sans serveur nommé "my-first-index" pour contenir des vecteurs de 256 dimensions et configurez l'index pour la plateforme infonuagique 'aws' dans la région 'us-east-1'.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import ServerlessSpec
from pinecone import ____

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

# Create your Pinecone index
pc.____(
    name="____",
    dimension=____,
    spec=____(
        cloud='____',
        region='____'
    )
)

Modifier et exécuter le code

Cette activité fait partie du cours

Créer des applications d'IA avec Pinecone

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Explorez le fonctionnement de la base de données vectorielle de Pinecone, des pods et des index jusqu'à la comparaison avec d'autres bases de données. Apprenez à différencier les types de pods, à obtenir des clés d'API et à initialiser la connexion à Pinecone en Python. Enfin, vous verrez comment créer des index Pinecone en explorant différents paramètres comme la dimensionnalité, les mesures de distance, les types de pods et d'autres options.

Exercise 1: Introduction aux index Pinecone Exercise 2: Créer un client Pinecone Exercise 3: Votre premier index Pinecone

Exercice en cours

Exercise 4: Gérer les index Exercise 5: Connexion à un index Exercise 6: Supprimer un index Exercise 7: L'écosystème Pinecone Exercise 8: Ingestion de vecteurs Exercise 9: Vérifier la dimensionnalité Exercise 10: Ingestion de vecteurs avec des métadonnées

Passez à la pratique avec Pinecone en Python pour gérer des index, ajouter des vecteurs avec des métadonnées, rechercher et récupérer des vecteurs, puis effectuer des mises à jour ou des suppressions. Acquérez une solide compréhension des fonctions clés et des concepts essentiels pour manipuler efficacement les données dans la base de données vectorielle Pinecone.

Exercise 1: Récupérer des vecteurs Exercise 2: Requêter vs récupérer Exercise 3: Récupérer des vecteurs Exercise 4: Interroger des vecteurs Exercise 5: Retourner les vecteurs les plus similaires Exercise 6: Changer la mesure de distance Exercise 7: Filtrage des métadonnées Exercise 8: Filtrer des requêtes Exercise 9: Filtres de métadonnées multiples Exercise 10: Mettre à jour et supprimer des vecteurs Exercise 11: Mettre à jour les valeurs d'un vecteur Exercise 12: Mettre à jour les métadonnées d'un vecteur Exercise 13: Supprimer des vecteurs

Dans ce chapitre, vous optimiserez les performances des index Pinecone, exploiterez des espaces de noms multi-locataires pour réduire les coûts, créerez des moteurs de recherche sémantique et mettrez en place des systèmes de questions-réponses augmentés par la recherche à l'aide de Pinecone avec l'API OpenAI. Grâce à ces leçons, vous développerez des compétences concrètes en ajustement des performances, en recherche sémantique et en questions-réponses augmentées par la recherche, vous permettant d'utiliser Pinecone efficacement dans des applications d'IA réelles.

Exercise 1: Regrouper les upserts Exercise 2: Définir une fonction pour le découpage en blocs Exercise 3: Regrouper les upserts par segments Exercise 4: Regrouper les upserts en parallèle Exercise 5: Multilocataires et espaces de noms Exercise 6: Espaces de noms Exercise 7: Interroger des espaces de noms Exercise 8: Recherche sémantique avec Pinecone Exercise 9: Créer et configurer un index Pinecone Exercise 10: Insertion de vecteurs pour la recherche sémantique Exercise 11: Interroger des vecteurs pour la recherche sémantique Exercise 12: Robot clavardeur RAG avec Pinecone et OpenAI Exercise 13: Insertion avec mise à jour des transcriptions YouTube Exercise 14: Créer une fonction de repérage de documents Exercise 15: Fonction de questions-réponses RAG Exercise 16: Félicitations !