Skip to content
Tutoriais
AIGC
Deciphering Pinecone AI: Unlocking the Potential of Semantic Search

Decifrando Pinecone AI: Desbloqueando o Potencial da Busca Semântica

Quando se trata de lidar com grandes quantidades de dados nos ecossistemas digitais modernos, ter um sistema robusto e eficiente para armazenamento e recuperação de dados é fundamental. É aí que entra o Pinecone AI. Com uma funcionalidade central de bancos de dados vetoriais e capacidades sofisticadas de integração, o Pinecone está redefinindo nossa forma de interagir com os dados. Vamos mergulhar mais fundo nas funcionalidades do Pinecone e como ele aproveita a busca semântica.

Compreendendo o Sistema de Banco de Dados Vetorial do Pinecone

Ao contrário dos bancos de dados convencionais, os exclusivos bancos de dados vetoriais do Pinecone oferecem uma abordagem transformadora para o tratamento de dados. Essa funcionalidade central permite que os usuários carreguem seus dados de várias fontes nesses bancos de dados vetoriais, proporcionando poderosas capacidades de busca semântica. Isso representa uma melhoria significativa em relação às pesquisas tradicionais baseadas em palavras-chave, fornecendo resultados mais relevantes e precisos.

Além disso, o Pinecone amplia a noção de bancos de dados além de meros repositórios de dados, transformando-os em sistemas inteligentes capazes de entender o contexto e o significado dos dados. Essa compreensão semântica dos dados, ou como o Pinecone chama - 'Vetores de incorporação de modelos de processamento de linguagem natural', é um divisor de águas para uma infinidade de aplicações, incluindo chatbots, sistemas de recomendação e muito mais.

O Poder das Capacidades de Integração do Pinecone

A proficiência do Pinecone é ampliada ainda mais com sua compatibilidade com outras tecnologias de ponta, como OpenAI, Haystack e co:here. Com essas integrações, personalizar suas operações de dados e gerar resultados mais refinados é muito simples. Seja usando os modelos de linguagem da OpenAI para gerar texto semelhante ao humano ou aproveitando as funcionalidades do Haystack para melhorar a recuperação de informações, o Pinecone permite tudo isso.

Vamos detalhar o processo de integração e busca de dados no Pinecone para melhor compreensão.

Pinecone em Ação: Uma Demonstração Simplificada

Após instalar o cliente Pinecone, você precisa inicializá-lo com sua chave de API e configuração de ambiente. Essa chave de API é gerenciada no console de gerenciamento minimalista, mas eficaz, do Pinecone. A inicialização do cliente Pinecone pode parecer algo assim:

pip install pinecone-client
import pinecone
pinecone.init(api_key="xxxxxxxx-xxxx-xxxx-xxx-xxxx", environment="us-west1-gcp")

A criação de um banco de dados vetorial, ou um 'índice' como o Pinecone chama, é então apenas algumas linhas de código. Por exemplo, podemos criar um índice chamado 'pod1' e adicionar alguns dados vetoriais a ele, assim:

index=pinecone.Index(index_name="pod1")
import pandas as pd
df = pd.DataFrame(
     data={
         "id": ["A", "B", "B", "C", "D", "E"],
         "vector":[
           [1.,1.,1.],
           [1.,2.,3.],
           [2.,1.,1.],
           [3.,2.,1.],
           [2.,2.,2.]]
     })
index.upsert(vectors=zip(df.id,df.vector))
index.describe_index_stats()

Com os dados em nosso banco de dados vetorial, podemos realizar uma busca semântica ou uma 'consulta' para recuperar as melhores correspondências para o nosso vetor. A consulta retorna uma pontuação e os valores, indicando a relevância do resultado da busca.

index.query(
     queries=[[1.,2.,3.]],
    
 
 top_k=3,
     include_values=True)

Essa demonstração simples ilustra a facilidade e o poder de usar o Pinecone para suas necessidades de dados.

Conforme nos aprofundamos nas ofertas do Pinecone, seu potencial para interromper o gerenciamento de dados se torna evidente. Os poderosos bancos de dados vetoriais, as robustas capacidades de integração e um console de gerenciamento intuitivo tornam-no uma ferramenta convincente para qualquer projeto intensivo em dados. Com o Pinecone AI, você está realmente aproveitando o poder da busca semântica, levando a operações de dados mais precisas, relevantes e inteligentes.

Construindo os Componentes de um Chatbot Baseado em Conhecimento

Web Scraper

Nosso primeiro componente é um web scraper. Para construir o web scraper, usamos o Puppeteer, uma biblioteca Node.js que fornece uma API de alto nível para controlar navegadores Chrome ou Chromium sem interface gráfica.

Aqui está uma função de exemplo que realiza scraping de conteúdo de uma página da web usando o Puppeteer:

async function scrape_researchr_page(url: string, browser: Browser): Promise<string> {
    const page = await browser.newPage();
    await page.setJavaScriptEnabled(false);
    await page.goto(url);
 
    const element = await page.waitForSelector('#content > div.row > div', {
        timeout: 100
    });
 
    // ... mais código aqui ...
 
    return turndownService.turndown(html_of_element);
}

A função realiza scraping do conteúdo HTML e, em seguida, converte o HTML em Markdown usando a biblioteca turndown. Isso ocorre porque o GPT (a IA que usaremos posteriormente) entende Markdown melhor do que HTML.

Text Splitter

Em seguida, dividimos o texto em Markdown em blocos menores usando a classe MarkdownTextSplitter do pacote langchain/text_splitter:

const textSplitter = new MarkdownTextSplitter({
    chunkSize: 1000,
    chunkOverlap: 20
});
const chunks = await textSplitter.splitText(markdowns.join('\n\n'));

Gerador de Embeddings

Geramos embeddings para nossos blocos de texto usando a API de Embedding da OpenAI e a classe OpenAIEmbeddings do pacote langchain/embeddings:

const embeddingModel = new OpenAIEmbeddings({ maxConcurrency: 5 });

Banco de Dados Vetorial Pinecone

Para armazenar e recuperar nossos embeddings de forma eficiente, usamos o Pinecone como nosso banco de dados vetorial:

import {PineconeClient} from "@pinecone-database/pinecone";
 
const client = new PineconeClient();
await client.init({
    apiKey: PINECONE_API_KEY,
    environment: PINECONE_ENVIRONMENT,
});
 
export const pineconeIndex = client.Index(PINECONE_INDEX);

Langchain LLM

Por fim, combinamos um Modelo de Linguagem Grande (LLM) com nosso banco de dados vetorial Pinecone para responder a perguntas com base no conteúdo do banco de dados vetorial:

const model = new ChatOpenAI({ temperature: 0.9, openAIApiKey: OPENAI_API_KEY, modelName: 'gpt-3.5-turbo' });
 
const chain = VectorDBQAChain.fromLLM(model, vectorStore, {
k: 5,
returnSourceDocuments: true
});

Com esses componentes, criamos um ponto de extremidade SvelteKit para lidar com as solicitações do usuário:

export const POST = (async ({ request }) => {
    //... código de manipulação de solicitações aqui ...
}) satisfies RequestHandler;

Através deste tutorial, vemos como o Pinecone, em conjunto com a API de Embedding da OpenAI e o langchain.js, pode alimentar um chatbot inovador baseado em conhecimento. Esse caso de uso não apenas mostra a versatilidade do Pinecone, mas também destaca suas aplicações práticas no fornecimento de respostas de alta qualidade e contextualmente precisas para as consultas dos usuários. Embora a implementação possa parecer desafiadora inicialmente, seguir este guia passo a passo sem dúvida facilitará o processo. Vamos explorar as possibilidades e aproveitar o potencial da IA para inovar nesta era digital.

Perguntas Frequentes

P: O que é um banco de dados vetorial?

R: Um banco de dados vetorial é projetado para armazenar e consultar vetores de forma eficiente. Eles permitem que você busque vetores semelhantes com base em sua similaridade em um espaço de alta dimensionalidade. O Pinecone é um exemplo de um banco de dados vetorial que usamos neste tutorial.

P: Por que precisamos converter HTML em Markdown na web scraping?

R: A conversão de HTML em Markdown simplifica o texto, tornando-o mais fácil para o GPT-3 entender e processar o conteúdo. Também reduz o número de tokens utilizados, tornando as chamadas à API mais baratas.

P: Por que precisamos dividir os dados de texto antes de processá-los?

R: A divisão dos dados de texto torna mais fácil para o modelo processar as informações. Se você tiver arquivos Markdown muito estruturados, um bloco pode equivaler a uma subseção. Se o Markdown vier do HTML e for menos estruturado, dependemos de um tamanho de bloco fixo.

P: Como o Pinecone ajuda no desenvolvimento de um chatbot baseado em conhecimento?

R: O Pinecone atua como um banco de dados vetorial, armazenando e recuperando vetores de alta dimensionalidade de forma eficiente. Ele auxilia no armazenamento e recuperação de embeddings gerados no processo de desenvolvimento do chatbot.

P: Como o langchain.js contribui para esse chatbot?

R: O langchain.js é uma biblioteca JavaScript para frameworks de Modelo de Linguagem Grande (LLM). Ele facilita o trabalho com o Pinecone e a OpenAI e contribui para fornecer capacidades de perguntas e respostas para nosso chatbot.