Filtres de métadonnées multiples

En plus des opérations d'égalité, Pinecone offre des opérateurs pour d'autres comparaisons essentielles et permet d'appliquer plusieurs filtres dans une seule requête. Dans cet exercice, vous allez créer plusieurs filtres en utilisant d'autres opérateurs de comparaison de Pinecone et les utiliser pour relancer une requête sur votre index.

Cette activité fait partie du cours

Créer des applications d'IA avec Pinecone

Instructions de l’exercice

Initialisez la connexion à Pinecone en utilisant votre clé d'API.
Récupérez le vecteur le PLUS similaire au vector fourni, en ne cherchant qu'auprès des vecteurs dont la métadonnée "genre" est "thriller" et dont "year" est inférieur à 2018.

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')

# Retrieve the MOST similar vector with genre and year filters
query_result = index.query(
    vector=vector,
    top_k=1,
    filter=____
)
print(query_result)

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

Exercice en cours

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 !