Tworzenie baz wektorowych z ChromaDB

Wprowadzenie do osadzeń z OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Instalacja ChromaDB

ChromaDB to prosta, lecz wydajna baza wektorowa
Dwa tryby pracy:
- Lokalny: idealny do tworzenia i prototypowania
- Klient/Serwer: przeznaczony do produkcji

ChromaDB w trybie lokalnym i w trybie klient/serwer. W trybie klient/serwer klient i serwer działają jako oddzielne instancje.

Łączenie z bazą danych

import chromadb


client = chromadb.PersistentClient(path="/path/to/save/to")

Dane zostaną zapisane na dysku

Tworzenie kolekcji

Kolekcje są analogiczne do tabel

from chromadb.utils.embedding_functions import OpenAIEmbeddingFunction

collection = client.create_collection(
    name="my_collection",

    embedding_function=OpenAIEmbeddingFunction(
        model_name="text-embedding-3-small",
        api_key="..."
    )

)

Kolekcje automatycznie tworzą embeddingi

Inspekcja kolekcji

client.list_collections()

[Collection(name=my_collection)]

Wstawianie embeddingów

Pojedynczy dokument

collection.add(ids=["my-doc"], documents=["This is the source text"])

Identyfikatory muszą być podane
Embeddingi zostaną utworzone przez kolekcję!

Wiele dokumentów

collection.add(
  ids=["my-doc-1", "my-doc-2"], 
  documents=["This is document 1", "This is document 2"]
)

Inspekcja kolekcji

Liczenie dokumentów w kolekcji

collection.count()

Inspekcja kolekcji

Podgląd pierwszych 10 elementów

collection.peek()

{'ids': ['my-doc', 'my-doc-1', 'my-doc-2'],
 'embeddings': [[...], [...], [...]],
 'documents': ['This is the source text',
  'This is document 1',
  'This is document 2'],
 'metadatas': [None, None, None]}

Pobieranie elementów

collection.get(ids=["s59"])

{'ids': ['s59'],
 'embeddings': None,
 'metadatas': [None],
 'documents': ['Title: Naruto Shippûden the Movie: The Will of Fire (Movie)\nDescription: When ...'],
 'uris': None,
 'data': None}

Zbiór danych Netflix

Title: Kota Factory (TV Show)
Description: In a city of coaching centers known to train India's finest...
Categories: International TV Shows, Romantic TV Shows, TV Comedies

Title: The Last Letter From Your Lover (Movie)
Description: After finding a trove of love letters from 1965, a reporter sets...
Categories: Dramas, Romantic Movies

Szacowanie kosztu embeddingów

Model embeddingów (text-embedding-3-small) kosztuje 0,00002 USD / 1k tokenów

cost = 0.00002 * len(tokens)/1000

Liczenie tokenów za pomocą biblioteki tiktoken
- pip install tiktoken

¹ https://openai.com/pricing

Szacowanie kosztu embeddingów

import tiktoken

enc = tiktoken.encoding_for_model("text-embedding-3-small")


total_tokens = sum(len(enc.encode(text)) for text in documents)


cost_per_1k_tokens = 0.00002

print('Total tokens:', total_tokens)
print('Cost:', cost_per_1k_tokens * total_tokens/1000)

Total tokens: 444463
Cost: 0.00888926

Czas na ćwiczenia!

Wprowadzenie do osadzeń z OpenAI API