Il tuo primo indice Pinecone

Con il tuo client Pinecone inizializzato, sei pronto per creare un indice! Gli indici servono per archiviare i record, inclusi i vettori e i metadati associati, oltre a gestire le query e altre operazioni. Man mano che proseguirai nel corso, vedrai come questi passaggi si combinano per costruire un sistema di AI moderno basato su un database di vettori.

La classe Pinecone è già stata importata per te.

Questo esercizio fa parte del corso

Database vettoriali per Embeddings con Pinecone

Visualizza corso

Istruzioni dell'esercizio

Importa la classe ServerlessSpec da pinecone.
Inizializza la connessione a Pinecone usando la tua API key.
Crea un indice serverless chiamato "my-first-index" per contenere vettori con 256 dimensioni e configura l'indice per la piattaforma cloud 'aws' nella regione 'us-east-1'.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Import ServerlessSpec
from pinecone import ____

# Initialize the Pinecone client with your API key
pc = Pinecone(api_key="____")

# Create your Pinecone index
pc.____(
    name="____",
    dimension=____,
    spec=____(
        cloud='____',
        region='____'
    )
)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Database vettoriali per Embeddings con Pinecone

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

Esplora il funzionamento del database vettoriale di Pinecone, dai pod e dagli indici al confronto con altri database. Impara a distinguere i tipi di pod, ottenere le chiavi API e inizializzare la connessione a Pinecone con Python. Infine, imparerai a creare indici Pinecone, esplorando diversi parametri come dimensionalità, metriche di distanza, tipi di pod e altro ancora.

Exercise 1: Introduzione agli indici Pinecone Exercise 2: Creare un client Pinecone Exercise 3: Il tuo primo indice Pinecone

Esercizio attuale

Exercise 4: Gestire gli indici Exercise 5: Connessione a un indice Exercise 6: Eliminare un indice Exercise 7: L'ecosistema di Pinecone Exercise 8: Ingestione di vettori Exercise 9: Verifica della dimensionalità Exercise 10: Inserimento di vettori con metadati

Metti le mani su Pinecone in Python: esploriamo l’uso pratico di Pinecone per gestire indici, aggiungere vettori con metadati, cercare e recuperare vettori, nonché effettuare aggiornamenti o eliminazioni. Acquisisci una solida comprensione delle funzioni e delle idee chiave per gestire senza intoppi i dati nel database vettoriale Pinecone.

Exercise 1: Recupero dei vettori Exercise 2: Querying vs. fetching Exercise 3: Recuperare vettori Exercise 4: Interrogare i vettori Exercise 5: Restituire i vettori più simili Exercise 6: Modificare le metriche di distanza Exercise 7: Filtraggio dei metadati Exercise 8: Query con filtro Exercise 9: Filtri multipli sulla metadata Exercise 10: Aggiornare ed eliminare vettori Exercise 11: Aggiornare i valori di un vettore Exercise 12: Aggiornare i metadati dei vettori Exercise 13: Eliminare vettori

In questo capitolo approfondirai l’ottimizzazione delle prestazioni degli indici Pinecone, l’uso di namespace multi-tenant per ridurre i costi, la costruzione di motori di ricerca semantici e la creazione di sistemi di question answering con retrieval augmentation utilizzando Pinecone con l’API di OpenAI. Attraverso queste lezioni, acquisirai competenze pratiche in tuning delle prestazioni, ricerca semantica e question answering con retrieval augmentation, così da applicare Pinecone in modo efficace in scenari reali di AI.

Exercise 1: Raggruppare gli upsert Exercise 2: Definire una funzione per suddividere in blocchi Exercise 3: Raggruppare gli upsert in chunk Exercise 4: Eseguire upsert in parallelo a batch Exercise 5: Multitenancy e namespace Exercise 6: Namespace Exercise 7: Interrogare i namespace Exercise 8: Ricerca semantica con Pinecone Exercise 9: Creare e configurare un indice Pinecone Exercise 10: Upsert dei vettori per la semantic search Exercise 11: Interrogare vettori per la ricerca semantica Exercise 12: Chatbot RAG con Pinecone e OpenAI Exercise 13: Upsert dei transcript di YouTube Exercise 14: Creare una funzione di retrieval Exercise 15: Funzione di question answering RAG Exercise 16: Congratulazioni!