Trả về các vector tương tự nhất

Truy vấn vector là nền tảng cho rất nhiều ứng dụng AI. Quy trình này gồm biến đầu vào của người dùng thành embedding, so sánh với các vector trong cơ sở dữ liệu và trả về những vector tương tự nhất.

Trong bài tập này, bạn được cung cấp một vector bí ẩn tên là vector và bạn sẽ dùng nó để truy vấn index của bạn có tên 'datacamp-index'.

Bài tập này là một phần của khóa học

Cơ sở dữ liệu vector cho Embeddings với Pinecone

Xem khóa học

Hướng dẫn bài tập

Khởi tạo kết nối Pinecone với API key của bạn.
Truy xuất ba bản ghi có vector tương tự vector nhất.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

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

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

# Retrieve the top three most similar records
query_result = ____

print(query_result)

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Cơ sở dữ liệu vector cho Embeddings với Pinecone

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

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.

Exercise 1: Giới thiệu về index của Pinecone Exercise 2: Tạo Pinecone client Exercise 3: Index Pinecone đầu tiên của bạn Exercise 4: Quản lý index Exercise 5: Kết nối đến một index Exercise 6: Xóa một index Exercise 7: Hệ sinh thái Pinecone Exercise 8: Nạp vector Exercise 9: Kiểm tra số chiều Exercise 10: Nạp vector kèm metadata

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.

Exercise 1: Truy xuất vector Exercise 2: Querying vs. Fetching Exercise 3: Lấy (fetch) các vector Exercise 4: Truy vấn vector Exercise 5: Trả về các vector tương tự nhất

Bài tập hiện tại

Exercise 6: Thay đổi phép đo khoảng cách Exercise 7: Lọc metadata Exercise 8: Lọc truy vấn Exercise 9: Nhiều bộ lọc metadata Exercise 10: Cập nhật và xóa vector Exercise 11: Cập nhật giá trị vector Exercise 12: Cập nhật metadata của vector Exercise 13: Xóa vector

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.

Exercise 1: Gộp lệnh upsert theo lô Exercise 2: Định nghĩa hàm để chia nhỏ (chunking)Exercise 3: Gộp lô upsert theo từng chunk Exercise 4: Gộp upsert và chạy song song Exercise 5: Đa thuê và namespace Exercise 6: Namespaces Exercise 7: Truy vấn namespaces Exercise 8: Tìm kiếm ngữ nghĩa với Pinecone Exercise 9: Tạo và cấu hình một Pinecone index Exercise 10: Upsert vector cho tìm kiếm ngữ nghĩa Exercise 11: Truy vấn vector cho tìm kiếm ngữ nghĩa Exercise 12: Chatbot RAG với Pinecone và OpenAI Exercise 13: Upsert transcript YouTube Exercise 14: Xây dựng hàm truy xuất (retrieval)Exercise 15: Hàm trả lời câu hỏi kiểu RAG Exercise 16: Chúc mừng bạn!