Introductie tot Pinecone-indexen

Vector-databases voor embeddings met Pinecone

James Chapman

Curriculum Manager, DataCamp

Je leert:

Indexen maken en vectoren inladen
Vectoren ophalen en bevragen
Veelgebruikte AI-apps bouwen

→ GenAI-toepassingen bouwen en schalen!

semantisch zoeken

Indexen

Sla vectoren op
Bedien queries en andere vectorbewerkingen
Index bevat records per vector, incl. metadata
Meerdere indexen mogelijk

Een archiefkast met vier laden, elk met meerdere mappen.

Pod-gebaseerd

Een pod met meerdere indexen.

Kies hardware om de index te maken → pods
Podtype bepaalt opslag, query-latency, query-throughput

Serverless

Indexen opgeslagen in de cloud.

Geen resourcebeheer
Indexen schalen automatisch
Draaien in de cloud en slaan op in blob
Makkelijker en vaak lager in kosten

Wat we in deze cursus gebruiken

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

Een Pinecone API-sleutel maken

Maak een Pinecone Starter-account → pinecone.io
Ga naar "API Keys"
Kopieer je API-sleutel

Pinecone-homepagina

Pinecone-pagina met API-sleutels

Een serverloze index maken

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'

    )

)

Onze indexen controleren

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'}}]}

Laten we oefenen!

Vector-databases voor embeddings met Pinecone