Filtrowanie zapytań

W tym ćwiczeniu przećwiczysz wykonywanie zapytań do indeksu 'datacamp-index' w Pinecone. Połączysz się z indeksem i wyślesz do niego zapytanie, używając dostarczonego wektora vector, aby pobrać podobne wektory. Zastosujesz też filtrowanie metadanych, aby zoptymalizować zapytania i zwrócić najbardziej trafne wyniki.

To ćwiczenie jest częścią kursu

Tworzenie aplikacji AI z Pinecone

Instrukcje do ćwiczenia

Zainicjalizuj połączenie z Pinecone, używając swojego klucza API.
Pobierz NAJBARDZIEJ podobny wektor do dostarczonego vector, przeszukując tylko wektory, w których metadana 'year' jest równa 2024.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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

index = pc.Index('datacamp-index')

# Retrieve the MOST similar vector with the year 2024
query_result = ____
print(query_result)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Tworzenie aplikacji AI z Pinecone

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

Poznaj mechanizmy wektorowej bazy danych Pinecone — od podów i indeksów po porównanie z innymi bazami danych. Dowiedz się, jak rozróżniać typy podów, pozyskiwać klucze API i inicjalizować połączenie z Pinecone w Pythonie. Na koniec nauczysz się tworzyć indeksy Pinecone, poznając różne parametry, takie jak wymiarowość, metryki odległości, typy podów i inne.

Exercise 1: Wprowadzenie do indeksów Pinecone Exercise 2: Tworzenie klienta Pinecone Exercise 3: Twój pierwszy indeks w Pinecone Exercise 4: Zarządzanie indeksami Exercise 5: Łączenie z indeksem Exercise 6: Usuwanie indeksu Exercise 7: Ekosystem Pinecone Exercise 8: Wczytywanie wektorów Exercise 9: Sprawdzanie wymiarowości Exercise 10: Wgrywanie wektorów z metadanymi

Poznaj Pinecone od strony praktycznej w Pythonie — zarządzaj indeksami, dodawaj wektory z metadanymi, wyszukuj i pobieraj wektory oraz wykonuj aktualizacje i usunięcia. Zdobądź solidną znajomość kluczowych funkcji i koncepcji, które pozwolą ci sprawnie pracować z danymi w wektorowej bazie danych Pinecone.

Exercise 1: Pobieranie wektorów Exercise 2: Zapytanie a pobieranie Exercise 3: Pobieranie wektorów Exercise 4: Odpytywanie wektorów Exercise 5: Zwracanie najbardziej podobnych wektorów Exercise 6: Zmiana metryk odległości Exercise 7: Filtrowanie metadanych Exercise 8: Filtrowanie zapytań

Bieżące ćwiczenie

Exercise 9: Wiele filtrów metadanych Exercise 10: Aktualizowanie i usuwanie wektorów Exercise 11: Aktualizowanie wartości wektorów Exercise 12: Aktualizowanie metadanych wektora Exercise 13: Usuwanie wektorów

W tym rozdziale zajmiesz się optymalizacją wydajności indeksów Pinecone, wykorzystaniem wielodostępnych przestrzeni nazw do obniżania kosztów, budowaniem semantycznych wyszukiwarek oraz tworzeniem systemów pytań i odpowiedzi opartych na RAG — z użyciem Pinecone i API OpenAI. Dzięki tym lekcjom rozwiniesz praktyczne umiejętności w zakresie strojenia wydajności, wyszukiwania semantycznego i generowania odpowiedzi wspomaganego wyszukiwaniem, co pozwoli ci efektywnie stosować Pinecone w rzeczywistych aplikacjach AI.

Exercise 1: Grupowe operacje upsert Exercise 2: Definiowanie funkcji do podziału na fragmenty Exercise 3: Wsadowe dodawanie wektorów w partiach Exercise 4: Równoległe wgrywanie danych partiami Exercise 5: Multitenant i przestrzenie nazw Exercise 6: Przestrzenie nazw Exercise 7: Odpytywanie przestrzeni nazw Exercise 8: Wyszukiwanie semantyczne z Pinecone Exercise 9: Tworzenie i konfigurowanie indeksu Pinecone Exercise 10: Wstawianie wektorów na potrzeby wyszukiwania semantycznego Exercise 11: Odpytywanie wektorów na potrzeby wyszukiwania semantycznego Exercise 12: Chatbot RAG z Pinecone i OpenAI Exercise 13: Dodawanie transkryptów z YouTube Exercise 14: Tworzenie funkcji wyszukiwania Exercise 15: Funkcja odpowiadania na pytania w RAG Exercise 16: Gratulacje!