Introduction aux index Pinecone

Bases de données vectorielles pour les intégrations avec Pinecone

James Chapman

Curriculum Manager, DataCamp

Vous apprendrez à…

Créer des index et ingérer des vecteurs
Récupérer et interroger des vecteurs
Créer des applications IA courantes

→ Construire et faire évoluer des applications GenAI !

recherche sémantique

Index

Stocker des vecteurs
Servir des requêtes et autres opérations sur vecteurs
Un index contient des enregistrements pour chaque vecteur, avec métadonnées
Possibilité de créer plusieurs index

Un classeur à quatre tiroirs, chacun contenant plusieurs dossiers.

Basé sur pods

Un pod contenant plusieurs index.

Choisir le matériel pour créer l’index → pods
Le type de pod détermine le stockage, la latence des requêtes et le débit

Serverless

Index stockés dans le cloud.

Aucune gestion des ressources
Les index se dimensionnent automatiquement
S’exécutent dans le cloud et stockent en blob
Plus simple et souvent moins coûteux

Ce que nous utiliserons dans ce cours

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

Créer une clé API Pinecone

Créez un compte Pinecone Starter → pinecone.io
Allez à « API Keys »
Copiez votre clé API

Page d’accueil de Pinecone

Page des clés API de Pinecone

Créer un index 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'

    )

)

Vérifier nos index

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'}}]}

Passons à la pratique !

Bases de données vectorielles pour les intégrations avec Pinecone