ÎncepețiÎncepe gratuit

Inserarea transcrierilor YouTube

În exercițiile următoare, vei crea un chatbot care poate răspunde la întrebări despre videoclipuri YouTube, prin ingestia transcrierilor video și a metadatelor suplimentare în indexul 'pinecone-datacamp'.

Pentru început, vei pregăti datele din fișierul youtube_rag_data.csv și vei insera vectorii împreună cu toate metadatele lor în indexul 'pinecone-datacamp'. Datele sunt disponibile în DataFrame-ul youtube_df.

Iată un exemplu de transcriere din DataFrame-ul 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

Acest exercițiu face parte din cursul

Crearea aplicațiilor AI cu Pinecone

Vezi cursul

Instrucțiuni pentru exercițiu

  • Inițializează clientul Pinecone cu cheia ta API (clientul OpenAI este disponibil ca client).
  • Extrage metadatele 'id', 'text', 'title', 'url' și 'published' din fiecare row.
  • Codifică texts folosind modelul 'text-embedding-3-small' de la OpenAI.
  • Inserează vectorii și metadatele într-un namespace numit 'youtube_rag_dataset'.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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())
Editează și rulează codul