{"product_id":"138103","title":"RAG Master : Service LLM terminé avec Langchain ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPCfJh7Fk6vTW8phU4EODhfiyHYX.png?v=1765060338\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e RAG Master : Service LLM terminé avec Langchain \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/144689418\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eRAG, le cœur de la mise en œuvre des services LLM\u003cbr\u003e Tout ce que vous devez savoir sur Advanced RAG en un seul volume !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Cet ouvrage allie l'expertise pratique et les connaissances théoriques de quatre développeurs et data scientists ayant conçu des services RAG concrets. Il aborde tous les aspects, des principes fondamentaux de RAG aux techniques avancées, notamment l'utilisation de graphes de langage et d'agents ReAct, ainsi que l'optimisation des modèles LLM et d'embeddings pour maximiser les performances de RAG.\u003cbr\u003e Grâce à une approche pratique utilisant Langchain, vous pouvez apprendre en suivant les instructions dans Google Colab et réaliser votre propre système RAG à travers des exemples pratiques dans chaque chapitre. \u003cbr\u003eQue vous soyez débutant et souhaitiez acquérir des bases solides, ou développeur professionnel désireux de perfectionner votre système LLM grâce à des techniques avancées, ce livre vous guide systématiquement à travers toutes les technologies RAG les plus nécessaires aujourd'hui.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e Recommandation\u003cbr\u003e Entrée\u003cbr\u003e Structure de ce livre\u003cbr\u003e Aménager votre environnement de travail\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 1 : Exploration de la chaîne de langage\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.\u003cbr\u003e Aperçu de Langchain\u003cbr\u003e __1.1 Package principal Langchain\u003cbr\u003e __1.2 Mises à jour des fonctionnalités spécifiques à la version de Langchain\u003cbr\u003e __1.3 Pourquoi devrais-je utiliser Langchain ?\u003cbr\u003e 1.4 Principaux cas d'utilisation de Langchain\u003cbr\u003e 2.\u003cbr\u003e Modèles de langage à grande échelle\u003cbr\u003e __2.1 Langchain contre API OpenAI\u003cbr\u003e __2.2 Définition des paramètres du modèle de langage à grande échelle\u003cbr\u003e __2.3 Principaux modèles de langage à grande échelle disponibles dans LangChain\u003cbr\u003e 3.\u003cbr\u003e Langage d'expression Langchain\u003cbr\u003e __3.1 Interface standard exécutable\u003cbr\u003e 3.2 Comment enchaîner les processus exécutables\u003cbr\u003e 4.\u003cbr\u003e rapide\u003cbr\u003e __4.1 Fewshot Prompt\u003cbr\u003e __4.2 Centre d'invite\u003cbr\u003e 5.\u003cbr\u003e Analyseur de sortie \u003cbr\u003e5.1 Trois méthodes principales de l'analyseur de sortie\u003cbr\u003e __5.2 Analyseur de sortie Pydantic\u003cbr\u003e __5.3 Analyseur de sortie JSON simple\u003cbr\u003e __5.4 Analyseur de sortie JSON\u003cbr\u003e 6.\u003cbr\u003e Gestion de la mémoire : conservation de l’historique des conversations\u003cbr\u003e 6.1 Transfert de l'historique de conversation de base\u003cbr\u003e 6.2 Gestion et traitement de l'historique des conversations\u003cbr\u003e 6.3 Gestion automatique de l'historique des conversations\u003cbr\u003e 6.4 Résumé et élagage de l'historique des conversations\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 2 : Principes fondamentaux et pratique de la génération de recherche augmentée\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.\u003cbr\u003e Aperçu de la génération d'augmentation de la recherche\u003cbr\u003e __1.1 Intégration de texte\u003cbr\u003e __1.2 Similitude cosinus\u003cbr\u003e __1.3 Utilisation de l'API d'intégration Langchain\u003cbr\u003e 2.\u003cbr\u003e Chargeur de documents\u003cbr\u003e __2.1 Chargeur de page Web\u003cbr\u003e __2.2 Chargeur PDF\u003cbr\u003e Chargeur CSV __2.3\u003cbr\u003e 3.\u003cbr\u003e Segmentation du texte\u003cbr\u003e __3.1 Division récursive du texte en fonction de la longueur et du délimiteur\u003cbr\u003e 3.2 Segmentation sémantique basée sur le sens\u003cbr\u003e 4.\u003cbr\u003e Base de données vectorielles\u003cbr\u003e __4.1 Chroma\u003cbr\u003e __4.2 Tarte\u003cbr\u003e 5. Exercices pratiques avec le chatbot RAG\u003cbr\u003e __5.1 Implémentation du chatbot RAG\u003cbr\u003e 5.2 Application de l'interface utilisateur Streamlet au chatbot\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 3 Traitement complexe des données à l'aide de RAG multimodal\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.\u003cbr\u003e Aperçu multimodal de RAG\u003cbr\u003e __1.1 Qu'est-ce que le RAG multimodal ?\u003cbr\u003e 1.2 Pourquoi le RAG multimodal est difficile\u003cbr\u003e 2. \u003cbr\u003eComment implémenter un RAG multimodal ?\u003cbr\u003e __2.1 Inclure toutes les modalités dans le même espace vectoriel\u003cbr\u003e __2.2 Exprimer toutes les modalités comme une seule modalité de base\u003cbr\u003e __2.3 Gestion de différentes modalités dans des référentiels séparés\u003cbr\u003e 3.\u003cbr\u003e Pratique RAG multimodale\u003cbr\u003e 3.1 Paramètres d'environnement\u003cbr\u003e 3.2 Prétraitement des données\u003cbr\u003e __3.3 Détecteur multi-vecteurs\u003cbr\u003e 3.4 Mise en œuvre multimodale RAG\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 4 : Stratégies d’amélioration RAG pour optimiser la recherche et la réponse\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.\u003cbr\u003e stratégie de découpage\u003cbr\u003e 1.1 Division parent-enfant\u003cbr\u003e 2.\u003cbr\u003e Transformation de requête\u003cbr\u003e __2.1 Création de plusieurs requêtes\u003cbr\u003e __2.2 Intégration de documents virtuels\u003cbr\u003e 3.\u003cbr\u003e Algorithme de recherche\u003cbr\u003e 3.1 Recherche clairsemée\u003cbr\u003e 3.2 Recherche dense\u003cbr\u003e 3.3 Recherche d'ensemble\u003cbr\u003e 4.\u003cbr\u003e Post-traitement des documents\u003cbr\u003e __4.1 Réordonnancement à grande échelle et haute performance basé sur un modèle de langage\u003cbr\u003e 4.2 Réordonnancement basé sur l'encodeur croisé\u003cbr\u003e 5.\u003cbr\u003e Méthodologie RAG étendue\u003cbr\u003e 5.1 Aperçu de l'auto-évaluation RAG\u003cbr\u003e 5.2 Mise en œuvre de l'auto-RAG\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 5 : Utiliser le graphe RAG avec un graphe de connaissances\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.\u003cbr\u003e Aperçu de Graph RAG\u003cbr\u003e 1.1 Limites de la méthode RAG existante\u003cbr\u003e __1.2 Qu'est-ce qu'un graphe de connaissances ?\u003cbr\u003e __1.3 Processus de fonctionnement du graphique RAG\u003cbr\u003e 2.\u003cbr\u003e Création d'une base de données graphiques \u003cbr\u003e__2.1 Processus de construction de la base de données graphiques\u003cbr\u003e __2.2 Exercices pratiques de construction de bases de données graphiques\u003cbr\u003e 3.\u003cbr\u003e Requête RAG du graphe\u003cbr\u003e 3.1 Processus de requête Graph RAG\u003cbr\u003e 3.2 Exercices pratiques sur les requêtes RAG sur les graphes\u003cbr\u003e 4.\u003cbr\u003e Implémentation de GraphRAG avec Neo4j et Langchain\u003cbr\u003e __4.1.\u003cbr\u003e Intégration du graphe de connaissances et de Neo4j\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 6 : Conception de pipelines RAG avec Langgraph\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.\u003cbr\u003e Composants d'un graphe de langage\u003cbr\u003e __1.1 Graphique\u003cbr\u003e __1.2 statut\u003cbr\u003e __1.3 nœud\u003cbr\u003e __1.4 Bord\u003cbr\u003e 2.\u003cbr\u003e Utilisation de Langgraph\u003cbr\u003e 2.1 Implémentation d'une boucle\u003cbr\u003e __2.2 Mise en œuvre des instructions conditionnelles\u003cbr\u003e __2.3 Streaming\u003cbr\u003e 2.4 Sauver l'État\u003cbr\u003e __2.5 Interrompre la boucle\u003cbr\u003e 3.\u003cbr\u003e Pratique du Langgraph\u003cbr\u003e 3.1 Autocorrection - RAG\u003cbr\u003e __3.2 Chatbot d'assistance au code\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 7 RAG avec agents réactifs\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.\u003cbr\u003e Chaîne de pensées\u003cbr\u003e 2.\u003cbr\u003e Agent RAG\u003cbr\u003e 2.1 Préparation des bibliothèques et des données\u003cbr\u003e __2.2 Création d'un outil d'agent\u003cbr\u003e __2.3 Paramètres d'invite de l'agent\u003cbr\u003e __2.4 Création d'un objet agent\u003cbr\u003e __2.5 Exercices RAG de l'agent\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 8 : Optimisation du LLM pour améliorer les performances RAG\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1. Examiner le document RAFT\u003cbr\u003e 1.1 Échantillon négatif\u003cbr\u003e __1.2 Chaîne de pensées\u003cbr\u003e 2. \u003cbr\u003eConseils pour améliorer ses performances\u003cbr\u003e __2.1 Aucune donnée de réponse\u003cbr\u003e 2.2 Citation de la source\u003cbr\u003e 3. Examen du jeu de données d'entraînement RAG\u003cbr\u003e 3.1 Introduction aux données d'entraînement\u003cbr\u003e 3.2 Exploration des données d'entraînement\u003cbr\u003e 4.\u003cbr\u003e Ajustement précis de votre LLM local Qwen\u003cbr\u003e 4.1 Mise en place d'un environnement d'entraînement avec Runpot\u003cbr\u003e 4.2 Prétraitement des données\u003cbr\u003e 4.3 Comprendre le modèle Qwen\u003cbr\u003e 4.4 Paramètres d'apprentissage de Laura\u003cbr\u003e 4.5 Environnements d'apprentissage\u003cbr\u003e 4.6 Encodage des entiers\u003cbr\u003e 4.7 Test du modèle\u003cbr\u003e 4.8 Arrêt du GPU\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 9 : Optimisation des modèles d’intégration\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.\u003cbr\u003e Principes d'apprentissage des modèles d'intégration\u003cbr\u003e 1.1 Apprentissage contrastif\u003cbr\u003e 1.2 Composition du jeu de données\u003cbr\u003e 1.3 Échantillonnage négatif au sein d'un lot\u003cbr\u003e __1.4 Perte de classement due à des nombres multiples négatifs\u003cbr\u003e 1.5 Comprendre le code d'apprentissage\u003cbr\u003e 2.\u003cbr\u003e Comment améliorer ses performances pendant l'apprentissage\u003cbr\u003e 2.1 Augmentation de la taille du lot\u003cbr\u003e 2.2 Sélection négative stricte\u003cbr\u003e 2.3 Autres conseils pour améliorer les performances d'apprentissage\u003cbr\u003e 3.\u003cbr\u003e Réglage fin pratique\u003cbr\u003e 3.1 Chargement des données\u003cbr\u003e 3.2 Sélection négative stricte\u003cbr\u003e 3.3 Génération de données synthétiques\u003cbr\u003e 3.4 Chargement du modèle\u003cbr\u003e 3.5 Prétraitement des données d'évaluation\u003cbr\u003e 3.6 Entraînement du modèle \u003cbr\u003e3.7 Index d'évaluation des performances de recherche\u003cbr\u003e 3.8 Évaluation du modèle de réglage fin\u003cbr\u003e\u003cbr\u003e En conclusion\u003cbr\u003e Recherche\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate5264\/MidCate010\/526398902.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eDu multimodal au graphe RAG, au graphe de langage, à l'agent ReAct et au réglage fin\u003c\/b\u003e\u003cbr\u003e \u003cb\u003eService pratique de LLM complété avec RAG\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Malgré leurs performances exceptionnelles, les modèles de langage à grande échelle (LLM), tels que ChatGPT, ont des limites quant à la fourniture d'informations à jour ou d'informations détaillées sur des documents spécifiques.\u003cbr\u003e Une technologie représentative qui résout ce problème est RAG (Augmented Search Generation).\u003cbr\u003e\u003cbr\u003e Ce livre couvre tout, des principes fondamentaux de RAG, essentiels à la construction de services basés sur LLM, aux différentes techniques avancées.\u003cbr\u003e En plus des concepts de base de RAG, nous vous guiderons étape par étape à travers des sujets avancés nécessaires en pratique, tels que RAG multimodal, RAG graphique, pipelines utilisant des graphes de langage, RAG d'agent et réglage fin. \u003cbr\u003eDe plus, nous abordons systématiquement les technologies essentielles à la mise en œuvre de RAG, telles que l'intégration de texte, la segmentation de texte sémantique et l'utilisation de bases de données vectorielles, à travers la théorie et la pratique.\u003cbr\u003e Cela fournit des connaissances et un savoir-faire utiles à tous, des débutants en développement de services LLM aux développeurs cherchant à acquérir une expérience pratique.\u003cbr\u003e\u003cbr\u003e Ce livre explique notamment en détail comment utiliser LangChain, un framework optimisé pour l'implémentation RAG.\u003cbr\u003e LangChain est un framework puissant qui fournit diverses fonctions et modules pour développer facilement et rapidement des applications d'IA basées sur LLM.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e Tous les exemples sont conçus pour être faciles à suivre par tous, même sans configuration complexe, en utilisant Google Colab et LangChain. \u003cbr\u003eEn suivant pas à pas les exercices RAG détaillés proposés dans ce livre, vous acquerrez naturellement la capacité de développer des applications d'IA immédiatement applicables à des situations commerciales réelles, telles que les chatbots et les systèmes de recherche de connaissances basés sur les données d'entreprise.\u003cbr\u003e\u003cbr\u003e \u003cb\u003eRecommandé pour ces personnes !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ● Utilisateurs Python débutants à intermédiaires intéressés par le développement de l'IA\u003cbr\u003e ● Étudiants, développeurs et chercheurs souhaitant apprendre Langchain et RAG\u003cbr\u003e ● Développeurs et ingénieurs souhaitant développer des systèmes basés sur LLM et RAG\u003cbr\u003e ● Les professionnels envisageant de créer un chatbot et un système de recherche de connaissances à partir de données d'entreprise\u003cbr\u003e\u003cbr\u003e \u003cb\u003e- Structure de ce livre -\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Ce livre se compose de neuf chapitres, couvrant étape par étape les principes fondamentaux de la technologie RAG, des bases aux diverses méthodes d'application pratique.\u003cbr\u003e\u003cbr\u003e Le chapitre 1 explique en détail les principaux concepts et fonctions de Langchain. \u003cbr\u003eNous abordons en détail les concepts qui constituent la base de l'implémentation RAG, notamment la compréhension du modèle de langage utilisé dans LangChain, les méthodes d'écriture d'invites, l'utilisation des analyseurs syntaxiques de sortie et les techniques de gestion de la mémoire.\u003cbr\u003e\u003cbr\u003e Au chapitre 2, nous apprendrons et mettrons en pratique les principes de base de la méthode RAG.\u003cbr\u003e Nous allons construire des bases solides en abordant des concepts tels que l'intégration de texte et la similarité cosinus, les méthodes de chargement et de segmentation de documents, ainsi que le processus de mise en œuvre de base d'un chatbot utilisant une base de données vectorielle.\u003cbr\u003e\u003cbr\u003e Au chapitre 3, nous examinerons le RAG multimodal, qui peut être utilisé avec différents types de données tels que des images ainsi que du texte.\u003cbr\u003e De la nécessité d'un RAG multimodal aux méthodes de mise en œuvre et à la pratique concrète, vous apprendrez des méthodes d'application pratiques.\u003cbr\u003e\u003cbr\u003e Au chapitre 4, nous apprendrons des stratégies avancées spécifiques pour améliorer les performances de RAG. \u003cbr\u003eNous abordons les stratégies efficaces de segmentation des documents, les méthodes de transformation des requêtes, les algorithmes de recherche, le réordonnancement des documents, et même la technique Self-RAG, qui développe davantage ces stratégies.\u003cbr\u003e\u003cbr\u003e Le chapitre 5 présente Graph RAG, qui surmonte les limitations de RAG en utilisant des graphes de connaissances.\u003cbr\u003e Nous apprendrons à construire une base de données graphiques à l'aide de Neo4j et à l'utiliser pour des requêtes réelles.\u003cbr\u003e\u003cbr\u003e Le chapitre 6 explique comment rendre le système RAG plus flexible et sophistiqué en tirant parti des graphes de langage.\u003cbr\u003e Comprendre les concepts et les composants essentiels des graphes de langage, et apprendre à implémenter des RAG complexes, tels que les instructions conditionnelles et les structures de boucle, par la pratique.\u003cbr\u003e\u003cbr\u003e Le chapitre 7 explique comment mettre en œuvre un système RAG plus intelligent et automatisé en tirant parti des agents React.\u003cbr\u003e Comprendre les principes de fonctionnement des agents, créer des outils pour agents et pratiquer concrètement le RAG.\u003cbr\u003e \u003cbr\u003eLe chapitre 8 traite du réglage fin du modèle de langage pour améliorer encore les performances de RAG.\u003cbr\u003e Nous fournissons des explications détaillées sur la nécessité d'un réglage fin, les méthodes de préparation des données, la configuration de l'environnement d'apprentissage et le processus de réglage fin d'un modèle LLM local réel (Qwen), en fournissant des conseils qui peuvent être directement appliqués en pratique.\u003cbr\u003e\u003cbr\u003e Enfin, le chapitre 9 explique comment ajuster directement le modèle d'intégration pour maximiser les performances de récupération, ce qui est au cœur de RAG.\u003cbr\u003e Apprenez les principes et l'application des méthodes d'apprentissage par intégration efficaces, et acquérez des connaissances pratiques en matière de création de données d'entraînement à partir de données réelles pour modéliser l'entraînement, l'évaluation des performances de récupération et des conseils d'optimisation des performances. \u003cbr\u003e\n\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 28 avril 2025\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 568 pages | 972 g | 182 × 232 × 35 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9788965404101\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 896540410X \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893191933994,"sku":"138103","price":44.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/5060fb6331227fb9a857a45f558b3877.jpg?v=1765391623","url":"https:\/\/librairie.coreenne.fr\/products\/138103","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}