Premiers pas avec ChromaDB

Dans les exercices suivants, vous utiliserez une base de données vectorielle pour créer des embeddings et interroger 1000 films et émissions télé tirés de l'ensemble de données Netflix présenté dans la vidéo. L'objectif sera d'utiliser ces données pour générer des recommandations à partir d'une requête de recherche. Pour commencer, vous allez créer la base de données et la collection où stocker les données.

chromadb est à votre disposition, et OpenAIEmbeddingFunction() a été importée de chromadb.utils.embedding_functions. Comme dans les deux premiers chapitres, vous n'avez pas besoin de fournir une clé d'API OpenAI dans ce chapitre.

Cette activité fait partie du cours

Introduction aux embeddings avec l'API d'OpenAI

Voir le cours

Instructions de l’exercice

Créez un client persistant pour enregistrer les fichiers de la base de données sur le disque; vous pouvez omettre le chemin de fichier pour ces exercices.
Créez une collection de base de données appelée netflix_titles qui utilise la fonction d'embedding d'OpenAI.
Dressez la liste de toutes les collections présentes dans la base de données.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create a persistant client
client = chromadb.____()

# Create a netflix_title collection using the OpenAI Embedding function
collection = client.create_collection(
    name="____",
    ____=____(model_name="text-embedding-3-small", api_key="")
)

# List the collections
print(client.____())

Modifier et exécuter le code