Introducción a los índices de Pinecone

Bases de datos vectoriales para incrustaciones con Pinecone

James Chapman

Curriculum Manager, DataCamp

Aprenderás a...

Crear índices e ingerir vectores
Recuperar y consultar vectores
Crear apps de IA comunes

→ Crear y escalar aplicaciones GenAI

búsqueda semántica

Índices

Almacenar vectores
Servir consultas y otras operaciones con vectores
El índice tiene registros por vector, con metadatos
Puedes crear varios índices

Un archivador con cuatro cajones, cada uno con varias carpetas.

Basados en pods

Un pod con varios índices.

Elige el hardware para crear el índice → pods
El tipo de pod define almacenamiento, latencia y throughput de consulta

Serverless

Índices en la nube.

Sin gestión de recursos
Los índices escalan automáticamente
Ejecutan en cloud y guardan en blob
Más fácil y a menudo más barato

Lo que usaremos en este curso

¹ https://docs.pinecone.io/guides/indexes/understanding-indexes

Crear una API key de Pinecone

Crea una cuenta Starter en Pinecone → pinecone.io
Ve a "API Keys"
Copia tu API key

Página principal de Pinecone

Página de API keys de Pinecone

Crear un índice serverless

from pinecone import Pinecone, ServerlessSpec


pc = Pinecone(api_key="API_KEY")


pc.create_index(

    name='datacamp-index',

    dimension=1536,

    spec=ServerlessSpec(

        cloud='aws', 
        region='us-east-1'

    )

)

Comprobar nuestros índices

pc.list_indexes()

{'indexes': [{'dimension': 1536,
              'host': 'datacamp-index-1eef0f4.svc.aped-4627-b74a.pinecone.io',
              'metric': 'cosine',
              'name': 'datacamp-index',
              'spec': {'serverless': {'cloud': 'aws', 'region': 'us-east-1'}},
              'status': {'ready': True, 'state': 'Ready'}}]}

¡Vamos a practicar!

Bases de datos vectoriales para incrustaciones con Pinecone