Einführung in Pinecone-Indizes

Vektordatenbanken für Einbettungen mit Pinecone

James Chapman

Curriculum Manager, DataCamp

Du lernst:

Indizes erstellen und Vektoren ingestieren
Vektoren abrufen und abfragen
Gängige KI-Anwendungen erstellen

→ GenAI-Anwendungen bauen und skalieren!

semantische Suche

Indizes

Vektoren speichern
Abfragen und andere Vektor-Operationen bedienen
Index enthält Einträge je Vektor inkl. Metadaten
Mehrere Indizes möglich

Ein Aktenschrank mit vier Schubladen, jede mit mehreren Ordnern.

Pod-basiert

Ein Pod mit mehreren Indizes.

Hardware für den Index wählen → Pods
Pod-Typ bestimmt Speicher, Abfrage-Latenz, Abfrage-Durchsatz

Serverless

In der Cloud gespeicherte Indizes.

Kein Ressourcen-Management
Indizes skalieren automatisch
Läuft in der Cloud und speichert in Blob
Einfacher und oft günstiger

Was wir in diesem Kurs nutzen

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

Einen Pinecone-API-Schlüssel erstellen

Erstelle ein Pinecone-Starter-Konto → pinecone.io
Gehe zu „API Keys“
Kopiere deinen API-Schlüssel

Pinecone-Startseite

Seite „API Keys“ von Pinecone

Einen serverlosen Index erstellen

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'

    )

)

Unsere Indizes prüfen

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'}}]}

Lass uns üben!

Vektordatenbanken für Einbettungen mit Pinecone