Premier jardin | Découverte du LLM

Chapitre 1 Que puis-je faire avec un LLM ?
_01-1 L'ère de l'IA générative a commencé avec ChatGPT
Modèle de langage à grande échelle : qu’est-ce qu’un LLM ?
__Types de LLM
Types de services d'IA générative utilisant __LLM
_01-2 Pourquoi devrais-je étudier le LLM ?
__Pourquoi une expérience en programmation LLM est-elle nécessaire ?
Quel modèle de langage dois-je choisir ?
__6 Technologies pour surmonter les limites du LLM

Chapitre 2 : Configuration de l’environnement et prise en main de l’API GPT
_02-1 Configuration de l'environnement de programmation Python
__[Faites-le ! Entraînez-vous] Installation de Python
__[Faites-le ! Entraînez-vous] Installation de Visual Studio Code
__[Faites-le ! Entraînez-vous] Créer un environnement virtuel
_02-2 Premiers pas avec l'API GPT
Qu'est-ce qu'une API ?
API d'OpenAI
__[Faites-le ! Entraînez-vous !] Obtenir une clé API OpenAI
__[À vous de jouer ! Entraînez-vous !] Posez des questions et obtenez des réponses grâce à la clé API d'OpenAI
__[À faire ! Entraînez-vous] Gestion des clés API

Chapitre 3 : Création d’un chatbot avec l’API d’OpenAI
_03-1 Découvrez Prompt Engineering
__[Faites-le ! Entraînez-vous] Attribution de rôles à GPT
__[Faites-le ! Entraînez-vous] Application de l'incitation à un ou quelques exemples
_03-2 Conversation à plusieurs tours avec GPT
__[À vous de jouer ! Entraînez-vous !] Créer un chatbot avec des conversations à plusieurs tours
_03-3 Création d'un chatbot avec Streamlet
__[À vous de jouer ! Entraînez-vous !] Créer une interface utilisateur de chatbot avec Streamlet

Second Yard | Automatisation des tâches à l'aide de l'API GPT d'OpenAI

Chapitre 4 : Les chercheurs en IA résument les documents et les articles
_04-1 Prétraitement des documents PDF
__[À vous de jouer ! Entraînez-vous !] Convertir des fichiers PDF en fichiers texte
__[À faire ! Entraînez-vous] Prétraitement des fichiers PDF
_04-2 Complétez le résumé du chercheur en IA de l'article
__[À faire ! Entraînez-vous] Créer une consigne pour un résumé de texte
__[À vous de jouer ! Entraînez-vous !] Résumer et imprimer le contenu d'un PDF

Chapitre 5 : Secrétaire IA rédigeant les procès-verbaux de réunion
_05-1 Conversion de la voix en texte
__[Faites-le ! Entraînez-vous] Utilisation de l'API Whisper
_05-2 Conversion locale de la parole en texte
__Visage étreint
__[À faire ! Entraînez-vous] Téléchargement du modèle Whisper et utilisation en local
_05-3 Distinguer les phrases des locuteurs
__[À faire ! Entraînez-vous !] Distinguer les locuteurs selon leur fuseau horaire à l'aide du modèle de séparation des locuteurs
__[À vous de jouer ! Entraînez-vous !] Analyser des phrases et associer les locuteurs avec Pandas
_05-4 Rédaction du procès-verbal de la réunion d'organisation du secrétaire de l'IA
__[Faites-le ! Entraînez-vous] Résumer l'ensemble de la réunion
__[À faire ! Entraînez-vous] Relecture de transcriptions avec GPT

Chapitre 6 : Analyse d’images par IA utilisant GPT-4o
_06-1 Demander à GPT Vision de décrire une image
__[À faire ! Entraînez-vous] Demander des explications à l'aide d'images trouvées sur Internet
__[Faites-le ! Entraînez-vous] Demander une description d'une image que j'ai
__[Faites-le ! Entraînez-vous] Comprendre les limites de GPT Vision
_06-2 Créer un quiz à l'aide d'images
__[Faites-le ! Entraînez-vous] Créer une fonction génératrice de problèmes
__[Faites-le ! Entraînez-vous] Créer des problèmes en anglais
__[À vous de jouer ! Entraînez-vous !] Créer des questions d'évaluation de la compréhension orale en anglais avec synthèse vocale

Chapitre 7 : AI Investor fournit les dernières informations boursières
_07-1 Principes de base de l'appel de fonctions
__GPT, quelle heure est-il ?
__Qu'est-ce qu'un appel de fonction ?
__[Faites-le ! Entraînez-vous] Application de l'appel de fonctions
Quelle heure est-il à New York maintenant ?
__[Faites-le ! Entraînez-vous !] Apprendre à lire l'heure dans chaque ville
__[Faites-le ! Entraînez-vous !] Répondre aux horaires de plusieurs villes simultanément
__[À vous de jouer ! Entraînez-vous !] Utiliser les appels de fonctions dans Streamlet
_07-2 Discussion sur GPT et les actions américaines
__[Faites-le ! Entraînez-vous] Utilisez yfinance
__[À faire ! Entraînez-vous] Création de fonctions liées à yfinance pour une utilisation dans GPT
__[Faites-le ! Entraînez-vous] Refactorisation de code
__[Faites-le ! Entraînez-vous !] Obtenez les dernières informations sur le cours et les recommandations concernant une action.
_07-3 Sortie du flux 180
__[Faites-le ! Entraînez-vous] Afficher la sortie en continu dans la fenêtre du terminal
__[À faire ! Entraînez-vous] Flux de sortie dans Streamlet
__[À faire ! Entraînez-vous] Utilisation des appels de fonctions en mode flux

Third Yard | Développement d'agents avec Langchain

Chapitre 8 : Création d’un agent avec Langchain
_08-1 Création d'un chatbot avec Langchain
__Qu'est-ce qu'une chaîne de langages ?
__[À vous de jouer ! Entraînez-vous !] Comparaison de Langchain et de l'API GPT d'OpenAI
__[Faites-le ! Entraînez-vous] Conversation à plusieurs tours avec Langchain
_08-2 Création d'une chaîne avec LCEL
__[Faites-le ! Entraînez-vous] Analyseur de sortie et chaîne
__[À vous de jouer ! Entraînez-vous] Utilisation de modèles d'invites
_08-3 Création d'un agent avec les outils Langchain
__[À vous de jouer ! Entraînez-vous !] Connecter des fonctions à une chaîne de langages avec le décorateur @tool
__[Faites-le ! Entraînez-vous] En utilisant Pidantik
_08-4 Sortie en mode flux
__[À faire ! Entraînez-vous] Générer un flux lors de l’utilisation d’un outil
_08-5 Implémentation dans Streamlet
__[À vous de jouer ! Entraînez-vous !] Création d'un chatbot à plusieurs tours basé sur la mémoire Langchain
__[Faites-le ! Entraînez-vous] Créer un multiturn sans mémoire Langchain
__[À faire ! Entraînez-vous] Ajout d’outils et sortie en continu

Chapitre 9 : Création d’un chatbot documentaire avec RAG
_09-1 Qu'est-ce que RAG ?
Fonctionnement des modèles de langage et de RAG
__Différence entre la réponse du modèle de langage de base et celle de RAG
__Chunking : Division des documents volumineux en morceaux plus petits
__Intégration : Conversion de texte en vecteurs
__Vector DB et Retriever
Extension de requête __
_09-2 Mise en œuvre d'un chatbot basé sur RAG
__[À vous de jouer ! Entraînez-vous !] Convertir des fichiers PDF en texte et les diviser en segments
__[Faites-le ! Entraînez-vous] Utilisation du modèle d'intégration OpenAI
__[Faites-le ! Entraînez-vous] Base de données vectorielle et Retriever
__[À vous de jouer ! Entraînez-vous !] Générer des réponses avec un modèle de langage basé sur des segments donnés
__[À faire ! Entraînez-vous] Implémentation de l’expansion de requête
_09-3 Création d'un chatbot avec Streamlet
__[À faire ! Entraînez-vous] Ajout d'un récupérateur au code de base de Streamlet
__[Faites-le ! Entraînez-vous] Citation

Chapitre 10 : Créer un chatbot qui répond aux questions à l’aide de la recherche Internet
_10- 1 Réponse après une recherche sur Internet - Recherche DuckDuckGo
__[À faire ! Entraînez-vous] Ajouter une fonctionnalité de recherche Internet à GPT
__[À faire ! Entraînez-vous] Configuration des options de la fonction de recherche
__[Faites-le ! Entraînez-vous !] Obtenez le lien de l'article
__[À faire ! Entraînez-vous] Importer uniquement des zones spécifiques à l'aide de Beautiful Soup
_10-2 Rédiger un article après avoir effectué des recherches documentaires - Recherche dans Tabili
__[Faites-le ! Entraînez-vous] En utilisant Tabili
__[Faites-le ! Entraînez-vous !] Devenez journaliste et rédigez des articles en ligne.
_10-3 Résumer des vidéos YouTube
__[À vous de jouer ! Entraînez-vous !] Recherche sur YouTube avec le package YoutubeSearch
__[À faire ! Entraînez-vous] Importer des sous-titres YouTube avec le package YoutubeLoader
__[À vous de jouer ! Entraînez-vous !] Résumer le contenu des sous-titres
_10-4 Création d'un chatbot à l'aide de la recherche Web et YouTube
__[À vous de jouer ! Entraînez-vous !] Ajouter un outil de recherche Web à votre chatbot
__[Faites-le ! Entraînez-vous] Ajouter un outil de recherche YouTube

Chapitre 11 : Utilisation locale du modèle DeepSearch-R1
_11-1 Découvrir le modèle Deep Seek
__L'émergence de modèles de langage à petite échelle
Modèle Deepseek-R1
__[À faire ! Entraînez-vous !] Installation des modèles Olama et DeepSeek-R1
_11-2 Utilisation du modèle DeepSearch dans LangChain
__[À vous de jouer ! Entraînez-vous !] Créer un chatbot avec DeepSearch et LangChain
_11-3 Création d'un RAG basé sur DeepSeak
__[À faire ! Entraînez-vous] Créer un RAG avec DeepSecure

Fourth Yard | Créer une équipe d'IA collaborative avec Langgraph

Chapitre 12 : Découverte de Langgraph
_12-1 Chatbot basique créé avec Langgraph
__Qu'est-ce qu'un langgraph ?
Concepts de base de Langgraph : nœuds, arêtes et états
__[À vous de jouer ! Entraînez-vous !] Créer un chatbot simple avec LangGraph
__[Faites-le ! Entraînez-vous !] Définir un État
__[Faites-le ! Entraînez-vous] Créer un nœud
__[Faites-le ! Entraînez-vous] Configuration du bord
__[Faites-le ! Entraînez-vous] Générer un flux
_12-2 Mémoire pour stocker le contenu des conversations
__[Faites-le ! Entraînez-vous] Utilisation de la fonction de mémoire de LangGraph
_12-3 Création d'un chatbot qui rédige des articles après avoir effectué une recherche sur Internet
__[À vous de jouer ! Entraînez-vous !] Créer un chatbot de journaliste
__[Faites-le ! Entraînez-vous] Configurer un routeur
__[À vous de jouer ! Entraînez-vous !] Outils de test et rédaction d'articles

Chapitre 13 : Construction d’un RAG multi-agents à l’aide de Langgraph
_13-1 Travaux préliminaires pour RAG basés sur le graphe de langage
Système multi-agents et guide précis
Améliorer les limitations de __RAG
__[À faire ! Entraînez-vous] Prétraitement des fichiers PDF et création d’une base de données vectorielles
_13-2 Découverte du routeur
Routeur
__[À faire ! Entraînez-vous] Configurer un routeur dans un chatbot
_13-3 Création d'un agent RAG avec Langgraph
__[Faites-le ! Entraînez-vous] Filtrer uniquement les segments pertinents
__[Faites-le ! Entraînez-vous] Créer des réponses RAG
_13-4 Définition d'un graphique
__[À faire ! Entraînez-vous] Déclaration des états du graphe et définition des nœuds
__[À faire ! Entraînez-vous] Création d'un graphe d'états
__[Faites-le ! Entraînez-vous] Tests multi-agents

Chapitre 14 : Création d’un multi-agent générant une table des matières avec LangGraph
_14-1 Agent créant une table des matières avec les utilisateurs
__Multi-agent créé dans ce chapitre
Agent de communication qui communique avec les utilisateurs
__[Faites-le ! Entraînez-vous] Créer un agent de communication
Agent de stratégie de contenu qui rédige la table des matières d'un livre
__[Faites-le ! Entraînez-vous] Créez un agent de stratégie de contenu, content_strategist, pour créer une table des matières.
_14-2 Agent de supervision agissant en tant que facilitateur
__Il nous faut un coup de pouce ! ― Agent superviseur
__[Faites-le ! Entraînez-vous] Ajouter un agent superviseur
__[À vous de jouer ! Entraînez-vous !] Définition des formats de sortie avec le modèle de base de Pydantic
_14-3 Agent de recherche vectorielle utilisant la recherche Web et RAG
Utiliser Vector DB pour effectuer des recherches Web efficaces
__[À faire ! Entraînez-vous] Créer une fonction de recherche Web
__[À faire ! Entraînez-vous !] Création d'une base de données vectorielle
Agent de recherche vectorielle qui trouve des segments à haute pertinence
__[À faire ! Entraînez-vous] Connexion à LangGraph
_14-4 Agent de recherche Web pour les informations manquantes
__Un agent de recherche Web qui trouve les informations manquantes
__[À faire ! Entraînez-vous] Création d'un agent de recherche Web, agent_de_recherche_Web
__[À vous de jouer ! Entraînez-vous] Utiliser les résultats de recherche dans la table des matières

Chapitre 15 : Création d’un système multi-agents capable de prendre ses propres décisions et d’agir.
_15-1 Créer un objectif commun pour les agents
Agent analyste d'affaires vérifiant les objectifs
__[À faire ! Entraînez-vous] Créer un agent d'analyse métier qui comprend l'intention de l'utilisateur
_15-2 Établir des lignes directrices plus claires à l'aide de modèles
Modèle qui définit le format du document et en déduit le format de réponse
__[À vous de jouer ! Entraînez-vous !] Création d'un modèle pour la création d'une table des matières
__[À faire ! Entraînez-vous] Création d’invites système à l’aide d’un modèle de table des matières
Système multi-agents qui juge et agit de manière autonome
__[À faire ! Entraînez-vous !] Créer un système multi-agents qui prend ses propres décisions et fonctionne
_15-3 Former un agent capable de relire et de corriger de manière autonome
__Table des matières Agent de révision
__[Faites-le ! Entraînez-vous] Ajoutez des conseils à la table des matières et intégrez-les dans business_analyst
__[À faire ! Entraînez-vous] Créez un outil de révision du plan pour consulter la table des matières
__[Faites-le ! Entraînez-vous] Configurer l'agent de recherche vectorielle pour conseiller l'agent d'analyse métier
__[Faites-le ! Entraînez-vous] Prévenir une boucle infinie

Chapitre 16 : Utiliser l’intelligence artificielle de manière plus sûre
_16-1 Exécution locale des modèles Llama et d'intégration
__[À faire ! Entraînez-vous] Exécuter le modèle Llama de Meta en local
__[À vous de jouer ! Entraînez-vous !] Créer un chatbot simple basé sur un lama
__[À vous de jouer ! Entraînez-vous !] Utilisation des modèles d'intégration locale
_16-2 Développement de services basés sur le LLM
Réponses rapides vs réponses souhaitées par l'utilisateur
__Une fois le développement des fonctionnalités terminé, c'est là que ça commence.

Recherche

Utilisation de l'API GPT, de DeepSearch, de Lama, de LangChain, de LangGraph et de RAG
Créez vous-même un agent IA qui change votre quotidien !

L’utilisation des technologies LLM et d’IA générative se standardise rapidement.
Cet ouvrage présente de manière systématique des méthodologies de pointe et pose des bases solides pour l'application de la technologie de l'IA, tout en tirant parti du LLM pour créer des agents d'IA.
Dans le premier module, nous apprendrons ce qu'est un LLM et mettrons en place un environnement Python pour développer des agents d'IA.
Dans un second temps, nous utiliserons l'API GPT pour créer des programmes qui automatisent diverses tâches, telles que la synthèse d'articles, la rédaction de comptes rendus de réunions et l'analyse des actions.
Dans le troisième jardin, nous implémenterons le multi-agent en utilisant LangChain et RAG et utiliserons localement le modèle de langage DeepSearch.
Dans la quatrième section, vous apprendrez à créer un multi-agent utilisant LangGraph pour générer une table des matières, ainsi qu'à utiliser localement le modèle de langage et le modèle d'intégration Llama sans vous soucier de la sécurité.
En suivant la formation pratique, vous comprendrez non seulement la technologie actuelle, mais vous poserez également les bases pour accepter facilement les nouvelles technologies qui continueront d'émerger à l'avenir.


L'ère d'un agent IA par personne !
Créez tout, des programmes d'automatisation d'entreprise personnalisés aux solutions multi-agents !

Ce livre explique comment créer des programmes d'automatisation personnalisés et rapides grâce à l'API GPT, et comment développer des systèmes multi-agents utilisant Langchain et Langgraph pour prendre des décisions et optimiser les tâches. La compréhension des principes du développement d'agents d'IA vous permettra de créer votre propre agent d'IA sur mesure.

***6 agents d'IA créés dans ce livre***

1. Des chercheurs en IA prétraitent et résument des documents PDF
2.
Le secrétaire de l'IA organise le compte rendu de la réunion
3.
Analyste d'images IA qui analyse les images et crée des problèmes
4.
Investisseur IA qui fournit les dernières informations boursières
5.
Un agent IA personnalisé qui effectue des recherches dans des documents, sur YouTube et sur Internet pour répondre à vos questions.
6.
Des agents d'IA qui créent des tables des matières pour les livres et les rapports

Si vous connaissez les bases de Python, commençons !
Apprenez le développement pratique de l'IA grâce à des explications conviviales et des méthodes de résolution de problèmes !

Ce livre est conçu pour aider même les néophytes en matière de technologie d'IA à apprendre comment développer des agents d'IA et à les utiliser efficacement dans leur vie quotidienne.

1.
Nous expliquons en détail le processus pratique et le code afin que même les débutants puissent facilement suivre.

2.
Nous fournissons des fichiers de résultats afin que vous puissiez apprendre en les comparant à votre propre code.
3.
Dans la rubrique « Un pas de plus ! », vous pourrez apprendre non seulement des concepts complexes, mais aussi des astuces pour améliorer vos compétences.
4.
Il va bien au-delà de la simple fourniture d'un manuel et inclut tous les problèmes qui peuvent survenir au cours du processus de développement proprement dit, ainsi que le processus de résolution de ces problèmes.

Je recommande ce livre à ces personnes !

Ceux qui souhaitent appliquer des agents d'IA utilisant LLM à des travaux pratiques
Ceux qui souhaitent comprendre de manière systématique les dernières technologies d'IA telles que LLM et l'IA générative
Développeurs et planificateurs qui doivent concevoir et développer des services d'IA

Fixez-vous un objectif et étudiez systématiquement par vous-même !
Cours de 30 jours et de 15 jours, deux plans d'études et des exemples de fichiers fournis !

Ce livre propose un plan d'étude vous permettant d'étudier de manière systématique et autonome.
Définissez vos propres dates cibles dans votre plan d'études et commencez à étudier. Si vous débutez dans le développement LLM, nous vous recommandons la formation de 30 jours. Si vous souhaitez maîtriser rapidement le développement d'agents IA, nous vous recommandons la formation de 15 jours.
Ce programme d'étude de 15 jours permet de couvrir l'intégralité du programme d'un semestre ! Des exemples de fichiers pour cet ouvrage sont également disponibles sur le site web d'Aegis Publishing et sur le compte GitHub de l'auteur.
Vous pouvez étudier sans aucun obstacle en comparant le code que vous avez écrit avec les fichiers d'exemple que vous avez téléchargés !

Venez à la salle d'étude « Faites-le ! » où nous apprenons, partageons et progressons ensemble !

Si vous planifiez et étudiez seul, vous vous fatiguerez vite.
Partagez les contenus difficiles avec les lecteurs qui partagent des préoccupations similaires.
Il est plus gratifiant d'étudier en s'entraidant.
En aidant les autres sur les sujets que je maîtrise bien et en recevant de l'aide sur ceux que je maîtrise moins, je peux profiter des bienfaits de la révision pendant mes études.
Si vous voulez aller loin, allez-y avec un ami.

Do it! Study Room : cafe.naver.com/doitstudyroom