1. Apprendre
    2. /
  2. Cours
    3. /
  3. Bases de données vectorielles pour les embeddings avec Pinecone
Connected

Exercice

Créer une fonction de repérage de documents

Une étape clé du flux de travail Retrieval Augmented Generation (RAG) consiste à repérer les données dans la base de données. Dans cet exercice, vous allez concevoir une fonction personnalisée appelée retrieve() qui effectuera ce processus essentiel dans l'exercice final du cours.

Instructions

100 XP
  • Initialisez le client Pinecone avec votre clé d'API (le client OpenAI est disponible sous client).
  • Définissez la fonction retrieve qui prend quatre paramètres : query, top_k, namespace et emb_model.
  • Générez l'intégration (embedding) de l'entrée query en utilisant l'argument emb_model.
  • Repérez les top_k vecteurs les plus similaires à query_emb avec leurs métadonnées, en précisant l'argument namespace fourni à la fonction.