Query проти Fetch

У Pinecone є два основні способи доступу до векторів з індексу: fetching і querying.

У цій вправі ви перевірите, чи вмієте розрізняти ці методи, зіставивши сценарії з відповідним способом доступу.

Ця вправа є частиною курсу

Створення AI‑застосунків із Pinecone

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Створення AI‑застосунків із Pinecone

SkillTag.level.intermediateSkillTag.label

4.8+

Почніть курс безкоштовно

Дослідіть, як працює векторна база даних Pinecone: від подів та індексів до порівняння з іншими базами даних. Дізнайтеся, як розрізняти типи подів, отримати ключі API та ініціалізувати підключення до Pinecone за допомогою Python. Насамкінець ви навчитеся створювати індекси Pinecone, досліджуючи такі параметри, як розмірність, метрики відстані, типи подів тощо.

Exercise 1: Вступ до індексів Pinecone Exercise 2: Створення клієнта Pinecone Exercise 3: Ваш перший індекс Pinecone Exercise 4: Керування індексами Exercise 5: Під'єднання до індексу Exercise 6: Видалення індексу Exercise 7: Екосистема Pinecone Exercise 8: Завантаження векторів Exercise 9: Перевірка розмірності Exercise 10: Завантаження векторів із метаданими

Попрацюйте з Pinecone у Python на практиці: керування індексами, додавання векторів із метаданими, пошук і отримання векторів, а також оновлення чи видалення. Отримайте чітке розуміння ключових функцій і концепцій, щоб упевнено працювати з даними у векторній базі даних Pinecone.

Exercise 1: Отримання векторів Exercise 2: Query проти Fetch

Поточна вправа

Exercise 3: Отримання векторів Exercise 4: Запити до векторів Exercise 5: Повернення найподібніших векторів Exercise 6: Зміна метрик відстані Exercise 7: Фільтрування метаданих Exercise 8: Фільтрування запитів Exercise 9: Кілька фільтрів за метаданими Exercise 10: Оновлення й видалення векторів Exercise 11: Оновлення значень вектора Exercise 12: Оновлення метаданих вектора Exercise 13: Видалення векторів

У цьому розділі ви навчитеся оптимізувати ефективність індексів Pinecone, використовувати багатокористувацькі простори назв для зниження витрат, будувати семантичні пошукові системи та створювати системи запитань‑відповідей із підсиленим отриманням (retrieval‑augmented) на основі Pinecone й OpenAI API. Після цих уроків ви здобудете практичні навички з налаштування продуктивності, семантичного пошуку та систем запитань‑відповідей із підсиленим отриманням і зможете ефективно застосовувати Pinecone у реальних AI‑проєктах.

Exercise 1: Пакетне виконання upsert-операцій Exercise 2: Визначення функції для розбиття на частини Exercise 3: Пакетне додавання upsert блоками Exercise 4: Пакетне додавання upsert паралельно Exercise 5: Мультитенантність і простори назв Exercise 6: Простори назв (Namespaces)Exercise 7: Запити до просторів назв Exercise 8: Семантичний пошук у Pinecone Exercise 9: Створення та налаштування індексу Pinecone Exercise 10: Upsert векторів для семантичного пошуку Exercise 11: Запит векторів для семантичного пошуку Exercise 12: Чатбот RAG з Pinecone та OpenAI Exercise 13: Upsert розшифровок YouTube Exercise 14: Створення функції отримання даних Exercise 15: Функція для відповідей на запитання у RAG Exercise 16: Вітаємо!