Creación de bases de datos vectoriales con ChromaDB

Introducción a las incrustaciones con la OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Instalar ChromaDB

ChromaDB es una base de datos vectorial simple y potente
Dos modalidades:
- Local: ideal para desarrollo y prototipos
- Cliente/servidor: pensada para producción

ChromaDB en modo local junto a ChromaDB en modo cliente/servidor. El cliente y el servidor aparecen en instancias separadas en el modo cliente/servidor.

Conectar con la base de datos

import chromadb


client = chromadb.PersistentClient(path="/path/to/save/to")

Los datos se guardarán en disco

Crear una colección

Las colecciones son análogas a las tablas

from chromadb.utils.embedding_functions import OpenAIEmbeddingFunction

collection = client.create_collection(
    name="my_collection",

    embedding_function=OpenAIEmbeddingFunction(
        model_name="text-embedding-3-small",
        api_key="..."
    )

)

Las colecciones pueden crear embeddings automáticamente

Inspeccionar colecciones

client.list_collections()

[Collection(name=my_collection)]

Insertar embeddings

Documento único

collection.add(ids=["my-doc"], documents=["This is the source text"])

Debes proporcionar IDs
La colección creará los embeddings

Varios documentos

collection.add(
  ids=["my-doc-1", "my-doc-2"], 
  documents=["This is document 1", "This is document 2"]
)

Inspeccionar una colección

Contar documentos en una colección

collection.count()

Inspeccionar una colección

Echar un vistazo a los 10 primeros

collection.peek()

{'ids': ['my-doc', 'my-doc-1', 'my-doc-2'],
 'embeddings': [[...], [...], [...]],
 'documents': ['This is the source text',
  'This is document 1',
  'This is document 2'],
 'metadatas': [None, None, None]}

Recuperar elementos

collection.get(ids=["s59"])

{'ids': ['s59'],
 'embeddings': None,
 'metadatas': [None],
 'documents': ['Title: Naruto Shippûden the Movie: The Will of Fire (Movie)\nDescription: When ...'],
 'uris': None,
 'data': None}

Conjunto de datos de Netflix

Title: Kota Factory (TV Show)
Description: In a city of coaching centers known to train India's finest...
Categories: International TV Shows, Romantic TV Shows, TV Comedies

Title: The Last Letter From Your Lover (Movie)
Description: After finding a trove of love letters from 1965, a reporter sets...
Categories: Dramas, Romantic Movies

Estimar el coste de embeddings

El modelo de embeddings (text-embedding-3-small) cuesta $0.00002/1k tokens

cost = 0.00002 * len(tokens)/1000

Cuenta tokens con la biblioteca tiktoken
- pip install tiktoken

¹ https://openai.com/pricing

Estimar el coste de embeddings

import tiktoken

enc = tiktoken.encoding_for_model("text-embedding-3-small")


total_tokens = sum(len(enc.encode(text)) for text in documents)


cost_per_1k_tokens = 0.00002

print('Total tokens:', total_tokens)
print('Cost:', cost_per_1k_tokens * total_tokens/1000)

Total tokens: 444463
Cost: 0.00888926

¡Vamos a practicar!

Introducción a las incrustaciones con la OpenAI API