CommencezCommencez gratuitement

Interroger des vecteurs pour la recherche sémantique

Dans cet exercice, vous allez créer un vecteur de requête à partir de la question « What is in front of the Notre Dame Main Building? ». À l'aide de cette requête incorporée, vous interrogerez l'espace de noms « squad_dataset » de l'index « pinecone-datacamp » et retournerez les cinq vecteurs les plus similaires.

Cette activité fait partie du cours

Créer des applications d'IA avec Pinecone

Voir le cours

Instructions de l’exercice

  • Initialisez le client Pinecone avec votre clé d'API (le client OpenAI est disponible sous client).
  • Créez un vecteur de requête en incorporant la variable query fournie avec le même modèle d'intégration OpenAI que celui utilisé pour intégrer les autres vecteurs.
  • Interrogez l'espace de noms "squad_dataset" en utilisant query_emb et retournez les cinq résultats les plus similaires.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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')
Modifier et exécuter le code