Inserimento di vettori con metadati

È il momento di inserire i dati! Inserirai vectors, che è una lista di dizionari contenente i valori del vettore, gli ID e i metadati associati. Sono già stati forniti in un formato che può essere inserito direttamente nell'index senza ulteriori modifiche.

Ecco un altro promemoria sulla struttura di vectors.

vectors = [
    {
        "id": "0",
        "values": [0.025525547564029694, ..., 0.0188823901116848]
        "metadata": {"genre": "action", "year": 2024}
    },
        ...,
]

Questo esercizio fa parte del corso

Database vettoriali per Embeddings con Pinecone

Visualizza il corso

Istruzioni dell'esercizio

Inizializza la connessione a Pinecone con la tua API key.
Connettiti al tuo index chiamato "datacamp-index".
Esegui l'upsert di vectors nell'index.
Stampa le statistiche descrittive dell'index.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

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

# Connect to your index
index = pc.____("datacamp-index")

# Ingest the vectors and metadata
____

# Print the index statistics
print(____)

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 gratis

Explore the mechanics behind Pinecone's vector database, from pods and indexes to comparing it with other databases. Learn to differentiate pod types, acquire API keys, and initialise Pinecone connection using python. Finally, you’ll learn how to create Pinecone indexes, exploring different parameters such as dimensionality, distance metrics, pod types, and others.

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

Esercizio in corso

Get hands-on with Pinecone in Python, where we explore the practical side of using Pinecone for managing indexes, adding vectors with metadata, searching and retrieving vectors, and making updates or deletions. Gain a solid grasp of the key functions and ideas to smoothly handle data in the Pinecone vector database.

Exercise 1: Retrieving vectors Exercise 2: Querying vs. fetching Exercise 3: Fetching vectors Exercise 4: Querying vectors Exercise 5: Returning the most similar vectors Exercise 6: Changing distance metrics Exercise 7: Metadata filtering Exercise 8: Filtering queries Exercise 9: Multiple metadata filters Exercise 10: Updating and deleting vectors Exercise 11: Updating vector values Exercise 12: Updating vector metadata Exercise 13: Deleting vectors

In this chapter, learners delve into optimizing Pinecone index performance, leveraging multi-tenant namespaces for cost reduction, building semantic search engines, and creating retrieval-augmented question answering systems using Pinecone with the OpenAI API. Through these lessons, learners gain practical skills in performance tuning, semantic search, and retrieval-augmented question answering, empowering them to apply Pinecone effectively in real-world AI applications.

Exercise 1: Batching upserts Exercise 2: Defining a function for chunking Exercise 3: Batching upserts in chunks Exercise 4: Batching upserts in parallel Exercise 5: Multitenancy and namespaces Exercise 6: Namespaces Exercise 7: Querying namespaces Exercise 8: Semantic search with Pinecone Exercise 9: Creating and configuring a Pinecone index Exercise 10: Upserting vectors for semantic search Exercise 11: Querying vectors for semantic search Exercise 12: RAG chatbot with Pinecone and OpenAI Exercise 13: Upserting YouTube transcripts Exercise 14: Building a retrieval function Exercise 15: RAG questions answering function Exercise 16: Congratulations!