Interogarea spațiilor de nume

Acum că ai creat spații de nume separate și ai adoptat multitenancy-ul, e momentul să culegi rezultatele! În acest exercițiu, vei interoga unul dintre aceste spații de nume noi pentru a căuta doar într-un segment al indexului tău complet.

Acest exercițiu face parte din cursul

Crearea aplicațiilor AI cu Pinecone

Vezi cursul

Instrucțiuni pentru exercițiu

Inițializează conexiunea Pinecone cu cheia ta API.
Interoghează "namespace1" folosind vector-ul furnizat, returnând primele trei rezultate.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

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

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

# Query namespace1 with the vector provided
query_result = ____
print(query_result)

Editează și rulează codul

Acest exercițiu face parte din cursul

Crearea aplicațiilor AI cu Pinecone

SkillTag.level.intermediateSkillTag.label

4.8+

2094 reviews

Începe cursul gratuit

Explorează mecanismele din spatele bazei de date vectoriale Pinecone, de la poduri și indexuri până la compararea cu alte baze de date. Învață să diferențiezi tipurile de poduri, să obții chei API și să inițializezi conexiunea Pinecone folosind Python. În final, vei afla cum să creezi indexuri Pinecone, explorând diferiți parametri precum dimensionalitatea, metricile de distanță, tipurile de poduri și altele.

Exercise 1: Introducere în indexurile Pinecone Exercise 2: Crearea unui client Pinecone Exercise 3: Primul tău index Pinecone Exercise 4: Gestionarea indexurilor Exercise 5: Conectarea la un index Exercise 6: Ștergerea unui index Exercise 7: Ecosistemul Pinecone Exercise 8: Ingestia vectorilor Exercise 9: Verificarea dimensionalității Exercise 10: Ingestia vectorilor cu metadate

Exersează practic cu Pinecone în Python, explorând aspectele concrete ale utilizării Pinecone pentru gestionarea indexurilor, adăugarea vectorilor cu metadate, căutarea și recuperarea vectorilor, precum și efectuarea de actualizări sau ștergeri. Dobândește o înțelegere solidă a funcțiilor și conceptelor esențiale pentru a gestiona cu ușurință datele în baza de date vectorială Pinecone.

Exercise 1: Recuperarea vectorilor Exercise 2: Interogare vs. preluare Exercise 3: Preluarea vectorilor Exercise 4: Interogarea vectorilor Exercise 5: Returnarea celor mai similare vectori Exercise 6: Schimbarea metricilor de distanță Exercise 7: Filtrarea metadatelor Exercise 8: Filtrarea interogărilor Exercise 9: Filtre multiple pe metadate Exercise 10: Actualizarea și ștergerea vectorilor Exercise 11: Actualizarea valorilor unui vector Exercise 12: Actualizarea metadatelor unui vector Exercise 13: Ștergerea vectorilor

În acest capitol, vei aprofunda optimizarea performanței indexurilor Pinecone, vei folosi namespace-uri multi-tenant pentru reducerea costurilor, vei construi motoare de căutare semantică și vei crea sisteme de răspuns la întrebări bazate pe recuperare augmentată, folosind Pinecone împreună cu API-ul OpenAI. Prin aceste lecții, vei dobândi abilități practice în ajustarea performanței, căutarea semantică și răspunsul la întrebări prin recuperare augmentată, pentru a aplica Pinecone eficient în aplicații AI reale.

Exercise 1: Inserții în loturi (batching upserts)Exercise 2: Definirea unei funcții pentru împărțirea în fragmente Exercise 3: Inserarea în loturi prin fragmente Exercise 4: Upsert în loturi în paralel Exercise 5: Multitenancy și spații de nume Exercise 6: Namespace-uri Exercise 7: Interogarea spațiilor de nume

Exercițiul curent

Exercise 8: Căutare semantică cu Pinecone Exercise 9: Crearea și configurarea unui index Pinecone Exercise 10: Inserarea vectorilor pentru căutare semantică Exercise 11: Interogarea vectorilor pentru căutare semantică Exercise 12: Chatbot RAG cu Pinecone și OpenAI Exercise 13: Inserarea transcrierilor YouTube Exercise 14: Construirea unei funcții de regăsire Exercise 15: Funcție de răspuns la întrebări cu RAG Exercise 16: Felicitări!