Upsert dei transcript di YouTube
Nei seguenti esercizi creerai un chatbot che può rispondere a domande sui video di YouTube inserendo i transcript dei video e metadati aggiuntivi nel tuo indice 'pinecone-datacamp'.
Per iniziare, preparerai i dati dal file youtube_rag_data.csv e farai l'upsert dei vettori con tutti i relativi metadati nell'indice 'pinecone-datacamp'. I dati sono forniti nel DataFrame youtube_df.
Ecco un esempio di transcript dal DataFrame youtube_df:
id:
35Pdoyi6ZoQ-t0.0
title:
Training and Testing an Italian BERT - Transformers From Scratch #4
text:
Hi, welcome to the video. So this is the fourth video in a Transformers from Scratch
mini series. So if you haven't been following along, we've essentially covered what
you can see on the screen. So we got some data. We built a tokenizer with it...
url:
https://youtu.be/35Pdoyi6ZoQ
published:
01-01-2024
Questo esercizio fa parte del corso
Database vettoriali per Embeddings con Pinecone
Istruzioni dell'esercizio
- Inizializza il client Pinecone con la tua chiave API (il client OpenAI è disponibile come
client). - Estrai i metadati
'id','text','title','url'e'published'da ognirow. - Codifica i
textsusando'text-embedding-3-small'di OpenAI. - Esegui l'upsert dei vettori e dei metadati in uno spazio dei nomi chiamato
'youtube_rag_dataset'.
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')
batch_limit = 100
for batch in np.array_split(youtube_df, len(youtube_df) / batch_limit):
# Extract the metadata from each row
metadatas = [{
"text_id": row['____'],
"text": row['____'],
"title": row['____'],
"url": row['____'],
"published": row['____']} for _, row in batch.iterrows()]
texts = batch['text'].tolist()
ids = [str(uuid4()) for _ in range(len(texts))]
# Encode texts using OpenAI
response = ____(input=____, model="text-embedding-3-small")
embeds = [np.array(x.embedding) for x in response.data]
# Upsert vectors to the correct namespace
____(vectors=____(ids, embeds, metadatas), namespace='____')
print(index.describe_index_stats())