ComeçarComece de graça

Inserir transcrições do YouTube

Nos exercícios a seguir, você vai criar um chatbot que pode responder perguntas sobre vídeos do YouTube usando transcrições de vídeos e metadados adicionais no seu índice do 'pinecone-datacamp'.

Pra começar, você vai preparar os dados do arquivo youtube_rag_data.csv arquivo e insira os vetores com todos os seus metadados no índice 'pinecone-datacamp'. Os dados estão no DataFrame youtube_df.

Aqui está um exemplo de transcrição do 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

Este exercício faz parte do curso

Bancos de dados vetoriais para incorporações com Pinecone

Ver curso

Instruções do exercício

  • Inicialize o cliente Pinecone com sua chave API (o cliente OpenAI está disponível em client).
  • Pega os metadados 'id', 'text', 'title', 'url' e 'published' de cada row.
  • Codifique texts usando 'text-embedding-3-small' da OpenAI.
  • Insira os vetores e metadados em um namespace chamado 'youtube_rag_dataset'.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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())
Editar e executar o código