О чём урок
Этот notebook представляет собой введение в использование Redis в качестве векторной базы данных с OpenAI embeddings и выполнение гибридных запросов, которые объединяют VSS и лексический поиск с помощью функционала Redis Query and Search. Redis — это масштабируемая база данных реального времени, которую можно использовать как векторную базу данных при применении модуля RediSearch. Функционал Redis Query and Search позволяет индексировать и искать векторы в Redis. Этот notebook покажет, как использовать Redis Query and Search для индексации и поиска векторов, созданных с помощью OpenAI API и хранящихся в Redis.
Гибридные запросы объединяют векторное сходство с традиционными возможностями фильтрации Redis Query and Search по данным GEO, NUMERIC, TAG или TEXT, что упрощает код приложения. Распространенный пример гибридного запроса в сценарии электронной коммерции — поиск товаров, визуально похожих на заданное изображение запроса, ограниченный товарами, доступными в определенной GEO-локации и в заданном ценовом диапазоне.
Прежде чем начать этот проект, необходимо настроить следующее:
- запустить базу данных Redis с RediSearch (redis-stack)
- установить библиотеки Redis-py
===========================================================
Чтобы упростить этот пример, мы будем использовать docker-контейнер Redis Stack, который можно запустить следующим образом:
Это также включает GUI RedisInsight для управления вашей базой данных Redis, который вы можете просмотреть по адресу http://localhost:8001 после запуска docker-контейнера.
Все настроено и готово к работе! Далее мы импортируем и создаем наш клиент для связи с только что созданной базой данных Redis.
Redis-Py — это python-клиент для связи с Redis. Мы будем использовать его для связи с нашей базой данных Redis-stack.
===========================================================
OpenAI API key используется для векторизации данных запросов.
Если у вас нет OpenAI API key, вы можете получить его по адресу https://beta.openai.com/account/api-keys.
После получения ключа, пожалуйста, добавьте его в переменные окружения как OPENAI_API_KEY, используя следующую команду:
В этом разделе мы загрузим и очистим набор данных электронной коммерции. Мы сгенерируем embeddings с помощью OpenAI и используем эти данные для создания индекса…
План урока
- Предварительные требования
- Запуск Redis
- Установка требований
- Подготовьте ваш OpenAI API key
- Загрузка данных
- Подключение к Redis
- Создание поискового индекса в Redis
- Генерация OpenAI Embeddings и загрузка документов в индекс
Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.