[CHAPITRE 01 : Aperçu de l'ingénierie rapide]

1.1 Qu'est-ce que Prompt Engineering ?
1.2 Modèles de langage à grande échelle
1.3 Paramètres de base
__Google Colaboratoire
API OpenAI
API Gemini
1.4 Pratique du LLM
1.5 Techniques d'incitation actuelles
__Instruction à zéro et à quelques tirs
__Invitation CoT
Création d'augmentation de la recherche

[CHAPITRE 02 Techniques de prévention des hallucinations]

2.1 Définition et types d'hallucinations
2.2 Types d'apparition des hallucinations
__Hallucination réaliste
__hallucination logique
__Hallucination contextuelle
2.3 Techniques de prévention des hallucinations
Améliorer la qualité des données
Amélioration de l'architecture du modèle
Technique de post-vérification
Techniques d'ingénierie rapide
2.4 Techniques d'ingénierie rapide
Comprendre le mécanisme d'auto-attention
__Ingénierie rapide axée sur l'attention à soi-même
Pourquoi l'ingénierie rapide est possible
2.5 Autocohérence
2.6 Incitation CoT
2.7 Incitation à la génération de connaissances
2.8 Auto-vérification
2.9 Incitation à la COVID-19
2.10 Outils d'évaluation et de diagnostic
__Nécessité d'une évaluation des hallucinations par LLM
__Ensemble de données de référence
Outil de diagnostic open source
__Utilisation en milieu professionnel

[CHAPITRE 03 Avancé : Application de prompteur]

3.1 Chaîne d'invite
Concept et utilisation de la chaîne d'invites
Exemple d'implémentation et analyse détaillée de la chaîne d'invites
3.2 Cadre Langchain
Présentation de la chaîne Langchain
Composants de la chaîne de gamme
Pratique de la chaîne de portée
3.3 Réagir
Contexte de l'émergence de ReAct
Structure de __ReAct
Exemple __ReAct
3.4 Réflexion
Mécanismes de réflexion : exécution, évaluation, réflexion et enregistrement
Exemple de réflexion
3.5 Garde-corps rapide
__La nécessité de garde-fous
Deux approches de la conception des glissières de sécurité : normes et vertus
__[Exemple 1] Vérification du contenu de sortie à l'aide de ShieldGemma
__[Exemple 2] Architecture de garde-corps à plusieurs niveaux
3.6 Système multi-agents
__Limitations inhérentes à l'architecture mono-agent
Architecture multi-agents
Principaux modèles de collaboration et contrôle des hallucinations
Exemple d'architecture multi-agents
3.7 Invites spécifiques au domaine
Comprendre les invites spécifiques au domaine
Exemple d'invite spécifique au domaine
3.8 Évaluation et observabilité du système LLM
__Quoi, pourquoi et comment mesurer ?
__Construction d'un pipeline d'évaluation hors ligne
Exemple d'évaluation : Diagnostic et amélioration d'un système RAG à l'aide de Langsmith

[CHAPITRE 04 Fondements et intégration des connaissances]

4.1 Fondements du concept et de la nécessité
4.2 Création d'une augmentation de la recherche
Le besoin de __RAG
Architecture __RAG
__Intégration et stockage vectoriel
Pipeline de traitement des données
Création d'un pipeline d'exemple __RAG
__RAG, comment contrôle-t-on les hallucinations ?
L'effet de __RAG
4.3 Intégration des données et graphe de connaissances
__Présentation des graphes de connaissances
__Pourquoi devrions-nous combiner les graphes de connaissances avec RAG ?
Modèle d'implémentation __RAG utilisant un graphe de connaissances
Implémentation d'un graphe de connaissances RAG : conversion de texte en chiffrement
__ Limites des méthodes d'implémentation des graphes de connaissances
4.4 Chaîne prenant en compte la technique de mise à la terre
Chaîne __RAG
__chaîne de routeurs
Boucle RAG auto-correctrice
4.5 Intégration des connaissances par la conception d'agents
__Configuration des outils d'agent pour l'intégration des connaissances
__Analyser le processus de réflexion d'un agent résolvant des questions complexes
__Combiner la mémoire à long terme et les graphes de connaissances
Intégration des connaissances à l'aide d'agents RangeChain

[CHAPITRE 05 : Projet pratique : Création d'un agent]

5.1 Premier projet : Mon propre chatbot encyclopédique
5.2 Deuxième projet : Agent de questions-réponses en temps réel
5.3 Troisième projet : Agent d'analyse des tendances boursières
5.4 Achèvement du projet

[Annexe : Introduction aux techniques et outils avancés]

Une technique d'incitation profonde
B Outils et bibliothèques clés
C Bâtiment IA responsable

Commencez par une ligne d'invite
Achèvement du service de maîtrise en droit (LLM) contrôlant les hallucinations

Le défi auquel sont confrontés aujourd'hui les ingénieurs en IA est de préserver la créativité des LLM tout en réduisant les erreurs.
Ce livre propose une solution systématique et pratique pour résoudre le problème des hallucinations, l'un des problèmes les plus difficiles dans le domaine de l'IA.
En commençant par les principes fondamentaux de l'ingénierie rapide, vous apprendrez des techniques telles que la chaîne de pensée (CoT), l'autocohérence, la chaîne de vérification (CoVe) et la réflexion, et découvrirez différentes manières de maximiser les capacités du LLM, comme par exemple en structurant le modèle et en le rendant revérifiable par lui-même.
De plus, en combinant des connaissances externes fiables et des systèmes de vérification via RAG, un graphe de connaissances et des structures multi-agents, nous réalisons une architecture de service d'IA sans hallucinations.

En suivant des projets concrets tels que des chatbots encyclopédiques personnalisés, des agents de questions-réponses en temps réel et des agents d'analyse des tendances boursières, vous pouvez acquérir de l'expérience dans la création de services d'IA fiables qui vont au-delà du simple fait d'« appeler » des modèles.

● Étape 1 | LLM et Fondements de l'ingénierie - Comprendre les concepts de base et mettre en place un environnement de pratique
● Étape 2 | Techniques de prévention des hallucinations - Cohérence de soi, CoT, CoVe, Auto-vérification, Incitation à la génération de connaissances
Étape 3 | Application d'invite - Langchain, ReAct, Réflexion, Conception multi-agents
● Étape 4 | RAG et intégration des connaissances - Liaison de données externes, graphe de connaissances et recherche stable
Étape 5 | Projet pratique - Réalisez un chatbot personnalisé, un agent de questions-réponses en temps réel et un agent d'analyse des tendances.
Étape 6 | Techniques et outils les plus récents - Techniques d'incitation avancées, stratégies de mise en œuvre responsable de l'IA

Public cible de ce livre

● Développeurs chargés de créer des services d'IA fiables
● Ingénieurs en IA et experts en MLOps souhaitant améliorer la fiabilité et la précision des modèles linéaires à longue portée (LLM).
● Les praticiens souhaitant acquérir des techniques d'analyse avancées grâce au LLM
● Les professionnels qui souhaitent approfondir leurs compétences en matière de candidature LLM en se basant sur leurs connaissances de Python et d'apprentissage automatique.

Un mot des bêta-lecteurs qui l'ont lu en premier

● Cet ouvrage étend le concept d'ingénierie rapide au domaine plus avancé de la « conception de systèmes d'IA ». Son principal atout réside dans son explication des technologies de pointe telles que RAG, la réflexion et le multi-agent, ainsi que dans ses nombreux exemples de code.
Lee Seok-gon
● Ce n’est que maintenant qu’un ouvrage de maîtrise en droit (LLM) véritablement consacré aux hallucinations a vu le jour.
Cet ouvrage est une lecture incontournable pour quiconque s'intéresse à l'ingénierie rapide.
Lee Jang-hoon
● Il contient non seulement de la théorie mais aussi des cas d'application pratiques, ce qui en fait un guide utile pour ceux qui souhaitent utiliser l'IA de manière plus fiable.
Shin Jin-wook