Interrogation et récupération

Dans Pinecone, il existe deux méthodes principales pour accéder aux vecteurs à partir d'un index : la récupération et la requête.

Dans cet exercice, vous allez tester votre capacité à différencier les deux méthodes en associant chaque scénario à la méthode qui convient.

Cet exercice fait partie du cours

<cours>Créer des applications d'IA avec Pinecone</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Créer des applications d'IA avec Pinecone</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Explorez le fonctionnement de la base de données vectorielle de Pinecone, des pods et des index, et comparez-la à 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 apprendrez à créer des index Pinecone en explorant différents paramètres comme la dimensionnalité, les métriques de distance, les types de pods, et bien d'autres.

Exercise 1: Présentation des index Pinecone Exercise 2: Création d'un client Pinecone Exercise 3: Votre premier index Pinecone Exercise 4: Gestion des index Exercise 5: Connexion à un index Exercise 6: Suppression d'un index Exercise 7: L'écosystème Pinecone Exercise 8: Ingestion de vecteurs Exercise 9: Vérifier la dimensionnalité Exercise 10: Ingestion de vecteurs avec métadonnées

Passez à la pratique avec Pinecone en Python : nous verrons comment gérer les index, ajouter des vecteurs avec des métadonnées, rechercher et récupérer des vecteurs, puis effectuer des mises à jour ou des suppressions. Acquérez une compréhension solide des fonctions clés et des principes pour manipuler facilement les données dans la base vectorielle Pinecone.

Exercise 1: Récupération des vecteurs Exercise 2: Interrogation et récupération

Exercice actuel

Exercise 3: Récupération de vecteurs Exercise 4: Interrogation de vecteurs Exercise 5: Renvoyer les vecteurs les plus similaires Exercise 6: Modification des mesures de distance Exercise 7: Filtrage des métadonnées Exercise 8: Filtrage des requêtes Exercise 9: Filtres de métadonnées multiples Exercise 10: Mise à jour et suppression de vecteurs Exercise 11: Mise à jour des valeurs vectorielles Exercise 12: Mise à jour des métadonnées vectorielles Exercise 13: Suppression de vecteurs

Dans ce chapitre, vous apprendrez à optimiser les performances des index Pinecone, à utiliser des espaces de noms multi‑locataires pour réduire les coûts, à construire des moteurs de recherche sémantique et à créer des systèmes de question‑réponse augmentés par la récupération avec Pinecone et l'API OpenAI. À travers ces leçons, vous développerez des compétences pratiques en optimisation des performances, recherche sémantique et question‑réponse augmentée par la récupération, afin d'utiliser Pinecone efficacement dans des applications d'IA concrètes.

Exercise 1: Regroupement des mises à jour Exercise 2: Définition d'une fonction pour le découpage en morceaux Exercise 3: Regroupement des mises à jour par lots Exercise 4: Regroupement des mises à jour en parallèle Exercise 5: Multilocation et espaces de noms Exercise 6: Espaces de noms Exercise 7: Interrogation des espaces de noms Exercise 8: Recherche sémantique avec Pinecone Exercise 9: Créer et configurer un index Pinecone Exercise 10: Upserting de vecteurs pour la recherche sémantique Exercise 11: Interrogation de vecteurs pour la recherche sémantique Exercise 12: Chatbot RAG avec Pinecone et OpenAI Exercise 13: Mise à jour des transcriptions YouTube Exercise 14: Création d'une fonction de recherche Exercise 15: Fonction de réponse aux questions RAG Exercise 16: Félicitations !