Chapitre 1.
Aperçu de la base de données vectorielles

1.1 L'étoile montante de l'IA
1.2 Comprendre les vecteurs

Chapitre 2.
Types de SGBD vectoriels et critères de sélection

__2.1 Fonctionnalités du SGBD vectoriel
2.2 Types de SGBD vectoriels et critères de sélection
2.3 Comparaison des fonctionnalités selon le type de SGBD vectoriel

Chapitre 3.
Méthodologie de conception de projets d'IA générative

3.1 Procédure d'exécution d'un projet d'IA générative
3.2 Procédure de préparation et de conception de l'analyse des données

Chapitre 4.
Analyse et préparation des données

4.1 Analyse de la portée et du type des données
4.2 Analyse des besoins en données
4.3 Analyse des caractéristiques des données
4.4 Obtention de l'ensemble de données

Chapitre 5.
Conception de schéma de base de données vectorielles

5.1 Conception du schéma de base de données vectorielle
5.2 Conception de la collection
5.3 Conception vectorielle
5.4 Conception des métadonnées
5.5 Conception des relations

Chapitre 6.
Vérification de la cohérence des données récupérées/réponses

6.1 Évaluation et validation des données

Chapitre 7. Aperçu du RAG et améliorations des performances

__7.1 Aperçu du RAG
__7.2 Architecture RAG
__7.3 Limites RAG
__7.4 Améliorations RAG (RAG avancé, RAG modulaire, RAG graphique)

Chapitre 8.
RAG avancé

8.1 Aperçu avancé de RAG
8.2 Nettoyage des données sources
8.3 Ajustement de la stratégie de récupération
8.4 Ajustement de la stratégie de recherche
8.5 Séparation/distribution des collections

Chapitre 9.
RAG modulaire

__9.1 Aperçu du RAG modulaire
__9.2 Modularisation indépendante
__9.3 Différents modèles de flux
9.4 Référence - Papier externe modulaire RAG

Chapitre 10.
Graphique RAG - RAG basé sur les connaissances

__10.1 Aperçu du graphique RAG
10.2 Modélisation de bases de données graphiques - Structure de modélisation de données de base
10.3 Modélisation de bases de données graphiques - Profondeur de la division des données
__10.4 Modélisation de bases de données graphiques - Procédure de modélisation des données
__10.5 Modélisation de bases de données graphiques - Extraction de données
__10.6 Ontologie
__10.7 Utilisation d'un graphe de connaissances dans Graph RAG (base de données de graphes + ontologie)
__10.8 Cas d'application commerciale du Graph RAG (Défense, Médical, Juridique)
Base de données Neo4j __10.9

Chapitre 11.
Essayez le programme

__11.1 Base de données chrominante - Base de données vectorielle
____11.1.1 Installation de Chroma DB
____11.1.2 Présentation du programme avec Python - Enregistrement des données d'intégration de chrominance
____11.1.3 Suivi du programme avec Python - Génération d'informations de réponse avec OpenAI
____11.1.4 Suivre le programme avec Python - Découpage en segments
____11.1.5 Suivre le programme avec Python - Exemple de programme
__11.2 Base de données Neo4j - Base de données graphique
____11.2.1 Installation de la base de données Neo4j
____11.2.2 Présentation du programme avec Python - Stockage de données embarqué Neo4j
____11.2.3 Suivi du programme avec Python - Améliorations de l'illumination avec Neo4j
__11.3 Utilisation de l'algorithme de base de données Neo4J (création d'une communauté)
____11.3.1 Installation du plug-in Neo4J
____11.3.2 Présentation détaillée du programme avec Python - Création d'un modèle graphique (données d'actualités Internet)
____11.3.3 Suivi du programme avec algorithme - Création de communauté (données d'actualités Internet)
__11.4 FAISS - Bibliothèque
____11.4.1 Installation FAISS
____11.4.2 Présentation du programme avec Python - Intégration FAISS : stockage et récupération
Système de chat 11.5 - Environnement RAG
____11.5.1 Streamlit
____11.5.2 Suivre le programme avec Python - Programme de chat simple

Cela ne se limite pas à expliquer le concept.
De plus, des exemples sont inclus pour vous aider à démarrer avec une base de données vectorielle réelle.

* Base de données Chroma - Base de données vectorielle
* Base de données Neo4j - Base de données graphique
* Base de données Neo4j - Utilisation des algorithmes (Création de communauté)
* FAISS - Bibliothèque
* Système de chat - Environnement RAG
-------------------------------------------------------------------------------
* Vector DB est une base de données optimisée pour le traitement des données non structurées, notamment les données vectorielles.
Vector DB gère les données dans un espace vectoriel, et chaque donnée est exprimée sous forme de vecteur de grande dimension.
Autrement dit, Vector DB modélise les données dans un espace multidimensionnel à trois dimensions ou plus grâce à des calculs mathématiques.

* Graph DB peut analyser les données en fonction d'informations relationnelles complexes et fournir des informations ou des résultats d'inférence plus précis pour les problèmes.
Outre la simple récupération de données, une analyse approfondie exploitant les liens entre les données est possible.


* Ce livre a pour objectif de fournir des explications étape par étape des concepts de base de données vectorielle, puis d'aborder la mise en pratique des bases de données vectorielles et graphiques dans le dernier chapitre.

À quel type de lecteurs ce livre s'adresse-t-il ?

- Analystes/concepteurs en IA intéressés par l'analyse/la conception de données non structurées pour l'IA et de stratégies d'utilisation des données.
-.
Chercheurs et développeurs en IA qui souhaitent explorer la modélisation des données, l'optimisation et les méthodes d'application basées sur Vector DB.
-.
Lecteurs intéressés par la structuration des graphes de connaissances à l'aide de Graph DB dans une perspective d'analyse de données