Экосистема Pinecone

Экосистема Pinecone состоит из нескольких компонентов: организации (organizations), проекты (projects), индексы (indexes), пространства имён (namespaces) и записи (records). Проверим, помните ли вы, как они выстраиваются в иерархию!

Это упражнение является частью курса

Создание ИИ-приложений с Pinecone

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Создание ИИ-приложений с Pinecone

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Изучите принципы работы векторной базы данных Pinecone: от подов и индексов до сравнения с другими базами данных. Вы научитесь различать типы подов, получать ключи API и инициализировать подключение к Pinecone с помощью Python. В конце главы вы создадите индексы Pinecone, познакомившись с различными параметрами: размерностью, метриками расстояния, типами подов и другими.

Exercise 1: Введение в индексы Pinecone Exercise 2: Создание клиента Pinecone Exercise 3: Ваш первый индекс Pinecone Exercise 4: Управление индексами Exercise 5: Подключение к индексу Exercise 6: Удаление индекса Exercise 7: Экосистема Pinecone

Текущее упражнение

Exercise 8: Загрузка векторов Exercise 9: Проверка размерности Exercise 10: Загрузка векторов с метаданными

Получите практический опыт работы с Pinecone в Python: управление индексами, добавление векторов с метаданными, поиск и извлечение векторов, а также их обновление и удаление. Вы освоите ключевые функции и концепции, необходимые для уверенной работы с данными в векторной базе данных Pinecone.

Exercise 1: Извлечение векторов Exercise 2: Запрос (querying) или извлечение (fetching)Exercise 3: Извлечение векторов Exercise 4: Запрос векторов Exercise 5: Поиск наиболее похожих векторов Exercise 6: Изменение метрики расстояния Exercise 7: Фильтрация по метаданным Exercise 8: Фильтрация запросов Exercise 9: Несколько фильтров по метаданным Exercise 10: Обновление и удаление векторов Exercise 11: Обновление значений векторов Exercise 12: Обновление метаданных вектора Exercise 13: Удаление векторов

В этой главе вы погрузитесь в оптимизацию производительности индексов Pinecone, научитесь использовать многопользовательские пространства имён для снижения затрат, создавать семантические поисковые системы и системы ответов на вопросы с дополненной генерацией на основе Pinecone и OpenAI API. Вы приобретёте практические навыки настройки производительности, семантического поиска и RAG, которые позволят эффективно применять Pinecone в реальных ИИ-приложениях.

Exercise 1: Пакетная загрузка данных (upsert)Exercise 2: Определение функции для разбиения на фрагменты Exercise 3: Пакетный upsert по фрагментам Exercise 4: Пакетная загрузка векторов в параллельном режиме Exercise 5: Мультиарендность и пространства имён Exercise 6: Пространства имён Exercise 7: Запросы к пространствам имён Exercise 8: Семантический поиск с Pinecone Exercise 9: Создание и настройка индекса Pinecone Exercise 10: Загрузка векторов для семантического поиска Exercise 11: Запрос векторов для семантического поиска Exercise 12: RAG-чатбот на основе Pinecone и OpenAI Exercise 13: Загрузка транскриптов YouTube Exercise 14: Создание функции извлечения данных Exercise 15: Функция вопросно-ответной системы на основе RAG Exercise 16: Поздравляем!