CommencerCommencer gratuitement

Interrogation de vecteurs pour la recherche sémantique

Dans cet exercice, vous allez créer un vecteur de requête à partir de la question « 'What is in front of the Notre Dame Main Building?' » (Quels sont les principaux facteurs qui influencent la décision d'acheter un produit ?). À l'aide de cette requête intégrée, vous interrogez l'espace de noms 'squad_dataset' à partir de l'index 'pinecone-datacamp' et renvoyez les cinq vecteurs les plus similaires.

Cet exercice fait partie du cours

Bases de données vectorielles pour les intégrations avec Pinecone

Afficher le cours

Instructions

  • Veuillez initialiser le client Pinecone avec votre clé API (le client OpenAI est disponible à l'adresse client).
  • Créez un vecteur de requête en intégrant l'query ion fournie avec le même modèle d'intégration OpenAI que celui utilisé pour intégrer les autres vecteurs.
  • Interrogez l'espace de noms "squad_dataset" à l'aide de la requête « query_emb » et renvoyez les cinq résultats les plus similaires.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Initialize the Pinecone client
pc = Pinecone(api_key="____")
index = pc.Index('pinecone-datacamp')

query = "What is in front of the Notre Dame Main Building?"

# Create the query vector
query_response = ____(
    input=____,
    model="text-embedding-3-small"
)
query_emb = query_response.data[0].embedding

# Query the index and retrieve the top five most similar vectors
retrieved_docs = ____

for result in retrieved_docs['matches']:
    print(f"{result['id']}: {round(result['score'], 2)}")
    print('\n')
Modifier et exécuter le code