Aan de slagGa gratis aan de slag

YouTube-transcripten upserten

In de volgende oefeningen bouw je een chatbot die vragen over YouTube-video’s kan beantwoorden door video­transcripten en extra metadata in je 'pinecone-datacamp'-index te laden.

Om te beginnen bereid je de gegevens uit het bestand youtube_rag_data.csv voor en upsert je de vectoren met alle bijbehorende metadata in de 'pinecone-datacamp'-index. De gegevens staan in de DataFrame youtube_df.

Hier is een voorbeeldtranscript uit de 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

Deze oefening maakt deel uit van de cursus

Vector-databases voor embeddings met Pinecone

Cursus bekijken

Oefeninstructies

  • Initialiseer de Pinecone-client met je API-sleutel (de OpenAI-client is beschikbaar als client).
  • Haal de metadata 'id', 'text', 'title', 'url' en 'published' uit elke row.
  • Codeer texts met 'text-embedding-3-small' van OpenAI.
  • Upsert de vectoren en metagegevens naar een namespace genaamd 'youtube_rag_dataset'.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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())
Code bewerken en uitvoeren