[touv]

• Télécharger le fichier CSV du jeu de données "films" (fichier CSV)
• Importer le modèle joint
• Lancer le "préclacul"

se contecter à mongo via mongosh :

docker compose exec mongod mongosh

créer l'index 'en modifiant le nom de la collection :

b.pc_6989fedc038484abf6466956.createSearchIndex(
  "vector_index", 
  "vectorSearch", 
  {
    "fields": [
      {
        "type": "vector",
        "path": "value",
        "numDimensions": 384,
        "similarity": "cosine",
        "quantization": "scalar"
      }
    ]
  }
);

choisir une requete vectorisée (en copiant collant une ligne du résultat du "precomputed"

const QUERY_EMBEDDING = [ 
        -0.0640373826026917, 
        0.0258730743080378
        (...)
];

lancer la requete (en modifiant le nom de la collection:

db.pc_6989fedc038484abf6466956.aggregate([
  {
    "$vectorSearch": {
      "index": "vector_index",
      "path": "value",
      "queryVector": QUERY_EMBEDDING,
      "numCandidates": 150,
      "limit": 10
    }
  },
  {
    "$project": {
      "_id": 0,
      "id": 1,
      "score": { $meta: "vectorSearchScore" }
    }
  }
]);

[touv]

le précalcul qui génère le vecteur

[touv]

les vetceurs stockés dans mongo

[touv]

la requete qui permet de supprimer l'index

db.runCommand(
   {
      dropSearchIndex: "pc_6989fedc038484abf6466956",
      name: "vector_index"
   }
);

[touv]