Tìm hiểu cơ chế hoạt động của cơ sở dữ liệu vector Pinecone, từ pods và index đến so sánh với các cơ sở dữ liệu khác. Học cách phân biệt các loại pod, lấy khóa API và khởi tạo kết nối Pinecone bằng Python. Cuối cùng, bạn sẽ học cách tạo index trên Pinecone, khám phá các tham số như số chiều, metric khoảng cách, loại pod và nhiều yếu tố khác.

Giới thiệu về index của Pinecone

Tạo Pinecone client

Index Pinecone đầu tiên của bạn

Quản lý index

Kết nối đến một index

Xóa một index

Hệ sinh thái Pinecone

Nạp vector

Kiểm tra số chiều

Nạp vector kèm metadata

Giới thiệu về Pinecone

Trực tiếp thực hành với Pinecone trong Python: quản lý index, thêm vector kèm metadata, tìm kiếm và truy xuất vector, cũng như cập nhật hoặc xóa. Nắm vững các hàm và ý tưởng chính để xử lý dữ liệu trơn tru trong cơ sở dữ liệu vector Pinecone.

Truy xuất vector

Querying vs. Fetching

Lấy (fetch) các vector

Truy vấn vector

Trả về các vector tương tự nhất

Thay đổi phép đo khoảng cách

Lọc metadata

Lọc truy vấn

Nhiều bộ lọc metadata

Cập nhật và xóa vector

Cập nhật giá trị vector

Cập nhật metadata của vector

Xóa vector

Thao tác vector Pinecone bằng Python

Trong chương này, bạn sẽ tối ưu hiệu năng index Pinecone, tận dụng không gian tên đa người thuê (multi-tenant) để giảm chi phí, xây dựng công cụ tìm kiếm ngữ nghĩa và tạo hệ thống hỏi đáp tăng cường truy xuất (retrieval-augmented) dùng Pinecone với OpenAI API. Qua các bài học này, bạn sẽ có kỹ năng thực hành về tinh chỉnh hiệu năng, tìm kiếm ngữ nghĩa và hỏi đáp tăng cường truy xuất, giúp bạn áp dụng Pinecone hiệu quả trong các ứng dụng AI thực tế.

Gộp lệnh upsert theo lô

Định nghĩa hàm để chia nhỏ (chunking)

Gộp lô upsert theo từng chunk

Gộp upsert và chạy song song

Đa thuê và namespace

Namespaces

Truy vấn namespaces

Tìm kiếm ngữ nghĩa với Pinecone

Tạo và cấu hình một Pinecone index

Upsert vector cho tìm kiếm ngữ nghĩa

Truy vấn vector cho tìm kiếm ngữ nghĩa

Chatbot RAG với Pinecone và OpenAI

Upsert transcript YouTube

Xây dựng hàm truy xuất (retrieval)

Hàm trả lời câu hỏi kiểu RAG

Chúc mừng bạn!

Tinh chỉnh hiệu năng và ứng dụng AI

Stanford Question Answering Dataset (SQuAD)

YouTube Transcripts

Khám phá cách cơ sở dữ liệu vector Pinecone đang thay đổi cách phát triển ứng dụng AI. Pinecone là giải pháp cơ sở dữ liệu vector được quản lý hoàn toàn, có độ trễ truy vấn cực thấp và đang dẫn đầu thị trường. Trong khóa học này, bạn sẽ học cách nạp, thao tác và truy vấn các vector từ index của Pinecone. Bạn sẽ dùng những kỹ năng này cùng với các khái niệm nền tảng như Retrieval Augmented Generation (RAG) để xây dựng các ứng dụng AI như công cụ tìm kiếm ngữ nghĩa và chatbot nhận biết ngữ cảnh. Cuối cùng, bạn sẽ học cách tối ưu hóa cơ sở dữ liệu sản xuất bằng các kỹ thuật tinh chỉnh hiệu năng, tối ưu bộ nhớ và cải thiện độ trễ truy vấn.

Introduction to Embeddings with the OpenAI API

Khám phá cách cơ sở dữ liệu vector Pinecone cách mạng hóa phát triển ứng dụng AI!

Cơ sở dữ liệu vector cho Embeddings với Pinecone

Khám phá cách cơ sở dữ liệu vector Pinecone đang cách mạng hóa phát triển ứng dụng AI!

Kỹ sư Trợ lý Trí tuệ Nhân tạo (AI) cho Lập trình viên

Hệ sinh thái Pinecone

Cơ sở dữ liệu vector cho Embeddings với Pinecone

Bài tập tương tác thực hành