Skapa vektordatabaser med ChromaDB

Introduktion till inbäddningar med OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Installera ChromaDB

ChromaDB är en enkel men kraftfull vektordatabas
Två varianter:
- Lokalt: passar utmärkt för utveckling och prototyper
- Klient/Server: anpassad för produktion

ChromaDB i lokalt läge bredvid ChromaDB i klient/server-läge. Klienten och servern visas som separata instanser i klient/server-läget.

Ansluta till databasen

import chromadb


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

Data sparas till disk

Skapa en kollektion

Kollektioner motsvarar tabeller

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="..."
    )

)

Kollektioner kan skapa embeddings automatiskt

Granska kollektioner

client.list_collections()

[Collection(name=my_collection)]

Infoga embeddings

Enskilt dokument

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

ID:n måste anges
Embeddings skapas av kollektionen!

Flera dokument

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

Granska en kollektion

Räkna dokument i en kollektion

collection.count()

Granska en kollektion

Förhandsgranska de första 10 objekten

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]}

Hämta objekt

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}

Netflix-datamängd

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

Uppskatta embeddingkostnad

Embeddingmodellen (text-embedding-3-small) kostar $0,00002/1 000 tokens

cost = 0.00002 * len(tokens)/1000

Räkna tokens med biblioteket tiktoken
- pip install tiktoken

¹ https://openai.com/pricing

Uppskatta embeddingkostnad

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

Nu kör vi en övning!

Introduktion till inbäddningar med OpenAI API