Kom igångKom igång gratis

Infoga YouTube-transkript

I följande övningar skapar du en chattbot som kan svara på frågor om YouTube-videor genom att läsa in videotranskript och ytterligare metadata i ditt 'pinecone-datacamp'-index.

Till att börja med förbereder du data från filen youtube_rag_data.csv och infogar vektorerna med all tillhörande metadata i indexet 'pinecone-datacamp'. Data finns tillgänglig i DataFrame:n youtube_df.

Här är ett exempel på ett transkript från 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

Den här övningen är en del av kursen

Bygga AI-applikationer med Pinecone

Visa kurs

Övningsinstruktioner

  • Initiera Pinecone-klienten med din API-nyckel (OpenAI-klienten är tillgänglig som client).
  • Extrahera metadata för 'id', 'text', 'title', 'url' och 'published' från varje row.
  • Koda texts med hjälp av 'text-embedding-3-small' från OpenAI.
  • Infoga vektorerna och metadatan i ett namnområde (namespace) kallat 'youtube_rag_dataset'.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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())
Redigera och kör kod