Crearea bazelor de date vectoriale cu ChromaDB

Introducere în Embeddings cu API-ul OpenAI

Emmanuel Pire

Senior Software Engineer, DataCamp

Instalarea ChromaDB

ChromaDB este o bază de date vectorială simplă și puternică
Două moduri:
- Local: ideal pentru dezvoltare și prototipare
- Client/Server: conceput pentru producție

ChromaDB în modul local alături de ChromaDB în modul client/server. Clientul și serverul sunt afișate în instanțe separate în modul client/server.

Conectarea la baza de date

import chromadb


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

Datele vor fi salvate pe disc

Crearea unei colecții

Colecțiile sunt similare cu tabelele

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="..."
    )

)

Colecțiile pot crea embeddings în mod automat

Inspectarea colecțiilor

client.list_collections()

[Collection(name=my_collection)]

Inserarea embeddings

Document unic

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

ID-urile trebuie furnizate
Embeddings vor fi create de colecție!

Documente multiple

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

Inspectarea unei colecții

Numărarea documentelor dintr-o colecție

collection.count()

Inspectarea unei colecții

Previzualizarea primelor 10 elemente

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]}

Recuperarea elementelor

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}

Setul de date 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

Estimarea costului de embedding

Modelul de embedding (text-embedding-3-small) costă $0.00002/1k tokeni

cost = 0.00002 * len(tokens)/1000

Numărați tokenii cu biblioteca tiktoken
- pip install tiktoken

¹ https://openai.com/pricing

Estimarea costului de embedding

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

Să exersăm!

Introducere în Embeddings cu API-ul OpenAI