Supprimer des vecteurs

Supprimer des vecteurs ne sert pas seulement à faire le ménage dans vos bases de données; c'est essentiel pour optimiser la performance. À mesure que vos index grossissent, des vecteurs inutiles ou périmés peuvent encombrer l'espace de stockage et ralentir les requêtes. En retirant les données redondantes, vous simplifiez vos opérations, ce qui mène à des réponses plus rapides et à une meilleure utilisation des ressources.

Dans cet exercice, vous allez pratiquer la suppression de vecteurs dans l'index Pinecone 'datacamp-index'. Vous vérifierez ensuite les mesures de l'index pour confirmer que la suppression a bien eu lieu.

Cette activité fait partie du cours

Créer des applications d'IA avec Pinecone

Instructions de l’exercice

Initialisez la connexion à Pinecone avec votre clé API.
Supprimez les vecteurs dont les identifiants sont "3" et "4".
Récupérez les mesures de l'index Pinecone datacamp-index pour vérifier que le nombre de vecteurs stockés a diminué.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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

index = pc.Index('datacamp-index')

# Delete vectors
____

# Retrieve metrics of the connected Pinecone index
print(____)

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 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

Exercice en cours

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 !