Beberapa filter metadata

Selain operasi kesetaraan, Pinecone menyediakan operator untuk operasi perbandingan inti lainnya, serta memungkinkan beberapa filter dalam satu kueri. Pada latihan ini, Anda akan membuat beberapa filter menggunakan operator perbandingan lain milik Pinecone dan menggunakannya untuk melakukan kueri ulang pada indeks Anda.

Latihan ini merupakan bagian dari kursus

Database Vektor untuk Embeddings dengan Pinecone

Instruksi latihan

Inisialisasi koneksi Pinecone menggunakan kunci API Anda.
Ambil vektor yang PALING mirip dengan vector yang disediakan, hanya menelusuri vektor dengan metadata "genre" bernilai "thriller" dan "year" kurang dari 2018.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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)

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Database Vektor untuk Embeddings dengan Pinecone

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Jelajahi mekanisme di balik database vektor Pinecone, mulai dari pod dan indeks hingga perbandingan dengan database lain. Pelajari membedakan jenis pod, memperoleh kunci API, dan menginisialisasi koneksi Pinecone menggunakan Python. Terakhir, Anda akan mempelajari cara membuat indeks Pinecone, mengeksplorasi berbagai parameter seperti dimensi, metrik jarak, jenis pod, dan lainnya.

Exercise 1: Pengantar indeks Pinecone Exercise 2: Membuat klien Pinecone Exercise 3: Indeks Pinecone pertama Anda Exercise 4: Mengelola indeks Exercise 5: Menyambungkan ke sebuah indeks Exercise 6: Menghapus sebuah indeks Exercise 7: Ekosistem Pinecone Exercise 8: Pemasukan vektor Exercise 9: Memeriksa dimensi Exercise 10: Mengimpor vektor beserta metadata

Praktik langsung dengan Pinecone di Python, di mana kita mengeksplorasi sisi praktis penggunaan Pinecone untuk mengelola indeks, menambahkan vektor beserta metadata, mencari dan mengambil vektor, serta melakukan pembaruan atau penghapusan. Kuasai fungsi-fungsi utama dan konsep penting untuk mengelola data dengan lancar di database vektor Pinecone.

Exercise 1: Mengambil vektor Exercise 2: Querying vs. fetching Exercise 3: Mengambil vektor Exercise 4: Melakukan kueri vektor Exercise 5: Mengembalikan vektor yang paling mirip Exercise 6: Mengubah metrik jarak Exercise 7: Penyaringan metadata Exercise 8: Memfilter kueri Exercise 9: Beberapa filter metadata

Latihan Saat Ini

Exercise 10: Memperbarui dan menghapus vektor Exercise 11: Memperbarui nilai vektor Exercise 12: Memperbarui metadata vektor Exercise 13: Menghapus vektor

Pada bab ini, Anda akan mendalami pengoptimalan kinerja indeks Pinecone, memanfaatkan namespace multi-tenant untuk menekan biaya, membangun mesin pencari semantik, dan membuat sistem tanya jawab berbasis retrieval (retrieval-augmented) menggunakan Pinecone dengan OpenAI API. Melalui pelajaran ini, Anda akan memperoleh keterampilan praktis dalam penalaan kinerja, pencarian semantik, dan tanya jawab berbasis retrieval, sehingga mampu menerapkan Pinecone secara efektif dalam aplikasi AI dunia nyata.

Exercise 1: Mengelompokkan upsert Exercise 2: Mendefinisikan fungsi untuk pemecahan ke dalam potongan Exercise 3: Melakukan upsert bertumpuk dalam potongan (chunks)Exercise 4: Batch upsert secara paralel Exercise 5: Multitenancy dan namespace Exercise 6: Namespace Exercise 7: Melakukan kueri pada namespace Exercise 8: Pencarian semantik dengan Pinecone Exercise 9: Membuat dan mengonfigurasi indeks Pinecone Exercise 10: Upsert vektor untuk pencarian semantik Exercise 11: Melakukan kueri vektor untuk pencarian semantik Exercise 12: Chatbot RAG dengan Pinecone dan OpenAI Exercise 13: Meng-upsert transkrip YouTube Exercise 14: Membangun fungsi retrieval Exercise 15: Fungsi RAG untuk menjawab pertanyaan Exercise 16: Selamat!