Retornando os vetores mais parecidos

Consultar vetores é super importante pra várias aplicações de IA. É quando a gente pega o que o usuário digita, compara com os vetores no banco de dados e mostra os mais parecidos.

Neste exercício, você recebeu um vetor misterioso chamado “ vector ” e vai usá-lo para consultar seu índice chamado “ 'datacamp-index' ”.

Este exercício faz parte do curso

Bancos de dados vetoriais para incorporações com Pinecone

Ver curso

Instruções do exercício

Inicialize a conexão do Pinecone com sua chave API.
Pega os três registros com vetores mais parecidos com vector.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

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

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

# Retrieve the top three most similar records
query_result = ____

print(query_result)

Editar e executar o código

Este exercício faz parte do curso

Bancos de dados vetoriais para incorporações com Pinecone

IntermediárioNível de habilidade

4.8+

1218 reviews

Iniciar curso de graça

Dá uma olhada em como funciona o banco de dados vetorial do Pinecone, desde os pods e índices até como ele se compara com outros bancos de dados. Aprenda a diferenciar tipos de pods, pegar chaves API e inicializar a conexão com o Pinecone usando Python. Por fim, você vai aprender a criar índices Pinecone, explorando diferentes parâmetros, como dimensionalidade, métricas de distância, tipos de pod e outros.

Exercise 1: Introdução aos índices Pinecone Exercise 2: Criando um cliente Pinecone Exercise 3: Seu primeiro índice Pinecone Exercise 4: Gerenciando índices Exercise 5: Conectando-se a um índice Exercise 6: Como apagar um índice Exercise 7: O ecossistema Pinecone Exercise 8: Ingestão de vetores Exercise 9: Verificando a dimensionalidade Exercise 10: Ingerindo vetores com metadados

Experimente o Pinecone em Python, onde a gente vai ver como é usar o Pinecone na prática pra gerenciar índices, adicionar vetores com metadados, procurar e recuperar vetores, além de fazer atualizações ou exclusões. Entenda bem as principais funções e ideias para lidar com os dados no banco de dados vetorial Pinecone.

Exercise 1: Recuperando vetores Exercise 2: Consultar vs. buscar Exercise 3: Buscando vetores Exercise 4: Consultando vetores Exercise 5: Retornando os vetores mais parecidos

Exercício atual

Exercise 6: Alterando as métricas de distância Exercise 7: Filtragem de metadados Exercise 8: Filtrando consultas Exercise 9: Vários filtros de metadados Exercise 10: Atualizando e apagando vetores Exercise 11: Atualizando valores vetoriais Exercise 12: Atualizando metadados vetoriais Exercise 13: Apagando vetores

Neste capítulo, os alunos vão aprender a otimizar o desempenho do índice Pinecone, usar namespaces multi-tenant pra reduzir custos, criar mecanismos de pesquisa semântica e sistemas de resposta a perguntas com recuperação aumentada usando o Pinecone com a API OpenAI. Com essas aulas, os alunos aprendem coisas práticas sobre como ajustar o desempenho, fazer buscas semânticas e responder perguntas com mais informações, o que os deixa prontos para usar o Pinecone de verdade em aplicações de IA no mundo real.

Exercise 1: Agrupamento de upserts Exercise 2: Definindo uma função para fragmentação Exercise 3: Agrupando upserts em pedaços Exercise 4: Agrupando upserts em paralelo Exercise 5: Multitenancy e namespaces Exercise 6: Espaços de nomes Exercise 7: Consultando namespaces Exercise 8: Pesquisa semântica com Pinecone Exercise 9: Criando e configurando um índice Pinecone Exercise 10: Inserção de vetores para pesquisa semântica Exercise 11: Consultando vetores para pesquisa semântica Exercise 12: Chatbot RAG com Pinecone e OpenAI Exercise 13: Inserir transcrições do YouTube Exercise 14: Criando uma função de recuperação Exercise 15: Função de resposta a perguntas RAG Exercise 16: Parabéns!