IniziaInizia gratis

Interrogare vettori per la ricerca semantica

In questo esercizio creerai un vettore di query a partire dalla domanda: 'What is in front of the Notre Dame Main Building?'. Usando questa query incorporata, interrogherai il namespace 'squad_dataset' dell'indice 'pinecone-datacamp' e otterrai i cinque vettori più simili.

Questo esercizio fa parte del corso

Database vettoriali per Embeddings con Pinecone

Visualizza il corso

Istruzioni dell'esercizio

  • Inizializza il client Pinecone con la tua chiave API (il client OpenAI è disponibile come client).
  • Crea un vettore di query generando l'embedding di query con lo stesso modello di embedding di OpenAI che hai usato per gli altri vettori.
  • Interroga il namespace "squad_dataset" usando query_emb, restituendo i cinque risultati più simili.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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')
Modifica ed esegui il codice