Pengantar indeks Pinecone

Database Vektor untuk Embeddings dengan Pinecone

James Chapman

Curriculum Manager, DataCamp

Anda akan belajar untuk...

Membuat indeks dan mengimpor vektor
Mengambil dan mengkueri vektor
Membangun aplikasi AI umum

→ Membangun dan menskalakan aplikasi GenAI!

pencarian semantik

Indeks

Menyimpan vektor
Melayani kueri dan manipulasi vektor lainnya
Indeks berisi rekam jejak untuk tiap vektor, termasuk metadata
Dapat membuat banyak indeks

Sebuah lemari arsip dengan empat laci, masing-masing berisi banyak folder.

Berbasis Pod

Sebuah pod yang berisi beberapa indeks.

Pilih perangkat keras untuk membuat indeks → pod
Tipe pod menentukan penyimpanan, latensi kueri, throughput kueri

Serverless

Indeks disimpan di cloud.

Tanpa pengelolaan sumber daya
Indeks berskala otomatis
Berjalan di cloud dan disimpan di blob
Lebih mudah digunakan dan sering lebih murah

Yang akan kita gunakan di kursus ini

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

Membuat kunci API Pinecone

Buat akun Pinecone Starter → pinecone.io
Buka "API Keys"
Salin kunci API Anda

Beranda Pinecone

Halaman kunci API Pinecone

Membuat indeks 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'

    )

)

Memeriksa indeks kita

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'}}]}

Ayo berlatih!

Database Vektor untuk Embeddings dengan Pinecone