1. Apprendre
    2. /
  2. Cours
    3. /
  3. Bases de données vectorielles pour les embeddings avec Pinecone
Connected

Exercice

Insertion de vecteurs pour la recherche sémantique

Il est temps d'extraire des plongements (embeddings) à partir de texte et d'insérer ou mettre à jour les vecteurs ainsi que les métadonnées dans votre index 'pinecone-datacamp'! On vous fournit un jeu de données nommé squad_dataset.csv, et un échantillon de 200 lignes a été chargé dans le DataFrame df.

Dans cet exercice, pour interagir avec l'API d'OpenAI et utiliser leur modèle d'embedding, vous n'avez pas à créer ni à utiliser votre propre clé d'API. Un client OpenAI valide a été créé pour vous et assigné à la variable client.

Votre tâche consiste à générer les embeddings avec l'API d'OpenAI, puis à insérer ou mettre à jour les embeddings et les métadonnées dans l'index Pinecone sous l'espace de noms squad_dataset.

Instructions

100 XP
  • Initialisez le client Pinecone avec votre clé d'API (le client OpenAI est déjà disponible sous client).
  • Extrayez les métadonnées 'id', 'text' et 'title' de chaque row du lot.
  • Encodez texts à l'aide de 'text-embedding-3-small' d'OpenAI avec une dimensionnalité de 1536.
  • Insérez ou mettez à jour les vecteurs et les métadonnées dans un espace de noms appelé 'squad_dataset'.