Requêter vs récupérer

Dans Pinecone, il existe deux principales façons d'accéder aux vecteurs d'un index : fetching et querying.

Dans cet exercice, vous mettrez à l'épreuve votre capacité à distinguer ces deux méthodes en associant chaque scénario à la méthode appropriée.

Cette activité fait partie du cours

Créer des applications d'IA avec Pinecone

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

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

Exercice en cours

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 !