▣ Chapitre 1 : LangChain

1.1 Préparation pour Langchain
___1.1.1 Pourquoi utiliser des chaînes ?
1.2 Environnement Colab (Google Colaboratory)
1.2.1 Configuration de l'environnement d'exécution Colab
1.3 Clé API LLM
___1.3.1 Clé API GPT
___1.3.2 Clé API Gemini
1.4 Visage enlacé
___1.4.1 Trouver le modèle du visage qui fait un câlin
1.5 Composants de Langchain
___1.5.1 Chaîne
___1.5.2 Invite
___1.5.3 Mémoire
___1.5.4 Index
1.5.5 Rappels et évaluation

▣ Chapitre 02 : RAG (Génération augmentée par la récupération)

2.1 Contexte et importance du RAG
2.2 RAG utilisant Langchain
___2.2.1 Préférences
___2.2.2 Chargement des données
2.2.3 Segmentation des données
___2.2.4 Boutique Vector
___2.2.5 Récupérateurs et invites
2.3 RAG avancé
___2.3.1 Technologie de réorganisation qui améliore les performances en ajustant l'ordre des documents
___2.3.2 Technologie HyDE pour obtenir des performances de réponse aux requêtes élevées grâce aux documents virtuels
___2.3.3 Techniques d'expansion de requêtes pour rendre les requêtes plus spécifiques et plus riches
___2.3.4 Technologie multi-requêtes capable de refléter diverses perspectives

▣ Chapitre 3 : RAG multimodal

3.1 _Présentation du RAG multimodal
___3.1.1 Concept RAG multimodal
3.1.2 Cas d'utilisation
___3.1.3 Importance
3.2 Modèles et technologies clés du RAG multimodal
___3.2.1 Encodeur multimodal
___3.2.2 Décodeur pour la génération multimodale
3.2.3 Extraction et enrichissement des connaissances
3.2.4 Technologie de convergence
___3.2.5 Entraînement et ajustement du modèle
3.3 [Pratique] RAG multimodal
___3.3.1 Extraction d'informations multimodales
3.3.2 Implémentation RAG multimodale

▣ Chapitre 4 : GraphRAG

4.1 Qu'est-ce que GraphRAG ?
4.2 Différences par rapport au RAG existant
4.3 Configuration de GraphRAG
___4.3.1 Neo4j
4.4 [Exercice] GraphRAG
___4.4.1 [Exercice] Extraction et manipulation de données graphiques par requêtes en langage naturel
___4.4.2 [Exercice pratique] Construction de graphes de connaissances basés sur LLM et pratique RAG

▣ Chapitre 5 : Agent ReAct

5.1 Qu'est-ce qu'un agent ReAct ?
___5.1.1 Concept d'agent ReAct
___5.1.2 Explication des principes de base
___5.1.3 Différences entre ReAct et la méthode existante
___5.1.4 Fonctionnalités clés et cas d'utilisation de l'agent ReAct
5.2 Intégration de l'API de recherche
___5.2.1 Générer des réponses à partir de données externes
___5.2.2 Appels de l'API de recherche
___5.2.3 [Exercice pratique] Intégration des agents ReAct à l'API de recherche
5.3 [Exercice] Appel d'outils basés sur des agents
___5.3.1 Appel des outils depuis l'agent de base
___5.3.2 Appel d'outils avancés à l'aide de ReAct
5.4 Projets pratiques de données financières utilisant des agents
___5.4.1 Collecte et analyse des données financières à l'aide des agents ReAct
5.4.2 Analyse en temps réel des marchés financiers via une API de recherche
___5.4.3 Analyse intégrée via l'agent ReAct

▣ Chapitre 6 : sLLM

6.1 Raisons d'étudier le sLLM
6.2 Exécution de sLLM
___6.2.1 Exécution du modèle sLLM de Hugging Face
6.3 Méthode d'apprentissage FFT et code
6.3.1 Création des données d'entraînement
6.3.2 Méthodes de traitement parallèle pour l'apprentissage sLLM
___6.3.3 Apprentissage sLLM : Réglage fin complet
6.4 Méthode d'apprentissage et code PEFT
___6.4.1 Algorithme et pratique PEFT (QLoRA)
___6.4.2 Algorithme et pratique du PEFT (DoRA)
6.5 Apprentissage d'optimisation LLM basé sur RAG
6.5.1 Génération de données d'assurance qualité prenant en compte RAG
___6.5.2 Apprentissage du sLLM en tenant compte du RAG
6.5.3 Optimisation sLLM prenant en compte RAG
6.6 LLM Service
___6.6.1 Configuration d'un environnement de service à l'aide de Streamlet
___6.6.2 Déploiement de sLLM à l'aide de Streamlet
6.6.3 Optimisation du service sLLM avec vLLM