Introdução aos índices do Pinecone

Bancos de dados vetoriais para incorporações com Pinecone

James Chapman

Curriculum Manager, DataCamp

Você vai aprender a...

Criar índices e ingerir vetores
Recuperar e consultar vetores
Criar apps de IA comuns

→ Construir e escalar aplicações de GenAI!

busca semântica

Índices

Armazenar vetores
Servir consultas e outras manipulações de vetores
O índice contém registros para cada vetor, com metadados
Dá para criar vários índices

Um arquivo com quatro gavetas, cada uma com várias pastas.

Baseado em pods

Um pod contendo vários índices.

Escolha o hardware para criar o índice → pods
O tipo de pod define armazenamento, latência e throughput de consulta

Serverless

Índices armazenados na nuvem.

Sem gestão de recursos
Índices escalam automaticamente
Roda na nuvem e armazena em blob
Mais fácil e geralmente mais barato

O que vamos usar neste curso

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

Criando uma chave de API do Pinecone

Crie uma conta Starter no Pinecone → pinecone.io
Vá em "API Keys"
Copie sua chave de API

Página inicial do Pinecone

Página de chaves de API do Pinecone

Criando um 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'

    )

)

Verificando nossos 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 praticar!

Bancos de dados vetoriais para incorporações com Pinecone