Criando bancos de dados vetoriais com ChromaDB

Introdução aos embeddings com o OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Instalando o ChromaDB

ChromaDB é um banco vetorial simples e poderoso
Duas opções:
- Local: ótima para desenvolvimento e protótipos
- Cliente/Servidor: feita para produção

ChromaDB no modo local ao lado do ChromaDB no modo cliente/servidor. Cliente e servidor aparecem em instâncias separadas no modo cliente/servidor.

Conectando ao banco de dados

import chromadb


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

Os dados serão persistidos em disco

Criando uma coleção

Coleções são análogas a tabelas

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="..."
    )

)

Coleções podem criar embeddings automaticamente

Inspecionando coleções

client.list_collections()

[Collection(name=my_collection)]

Inserindo embeddings

Documento único

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

IDs devem ser fornecidos
A coleção criará os embeddings!

Vários documentos

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

Inspecionando uma coleção

Contar documentos na coleção

collection.count()

Inspecionando uma coleção

Espiar os 10 primeiros itens

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]}

Recuperando itens

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 dados da 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

Estimando o custo de embeddings

O modelo de embedding (text-embedding-3-small) custa $0.00002/1k tokens

cost = 0.00002 * len(tokens)/1000

Conte tokens com a biblioteca tiktoken
- pip install tiktoken

¹ https://openai.com/pricing

Estimando o custo 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 praticar!

Introdução aos embeddings com o OpenAI API