[Partie 1] Les bases de la recherche vectorielle

▣ 01 : Introduction aux vecteurs et aux plongements

1.1 Examen du rôle de l'apprentissage supervisé et non supervisé dans la recherche vectorielle
___Qu'est-ce qu'un plongement/vecteur ?
___À quels problèmes les vecteurs servent-ils à répondre ?
Environnement de développement
Visage étreint
___Accélérer l'environnement du marché et l'expérience des développeurs
1.2 Cas d'utilisation et applications
Recherche basée sur l'IA
___Reconnaissance d'entités nommées (NER)
Analyse des sentiments
Classification de texte
Questions et réponses (QR)
Résumé du texte
1.3 Quel rôle joue Elastic dans ce domaine ?
Concepts de base de l'observabilité et de la cybersécurité
addition

▣ 02 : Lancement d’une recherche vectorielle dans Elastic

2.1 Recherche vectorielle Expérience de recherche précédente dans Elastic
___Comment les types de données affectent la pertinence
Modèle de pertinence
2.2 Évolution de l'expérience de recherche
Limites de la recherche par mots-clés
___représentation vectorielle
2.3 Nouveau type de données vectorielles et API de requête de recherche vectorielle
Vecteurs clairsemés et denses
___Premiers pas avec Elastic Cloud
Cartographie vectorielle dense
Recherche kNN par force brute
Recherche kNN
addition

[Partie 2] Applications avancées et optimisation des performances

▣ 03 : Gestion des modèles et considérations vectorielles dans Elastic

3.1 Visage enlacé
___Modèle Hub
___Ensembles de données
___Espaces
3.2 Éland
Importer un modèle d'embedding de ___Hugging Face vers Elasticsearch
___Configuration de l'authentification Elasticsearch
___Trouvez des modèles sur Hugging Face Hub
Téléchargez le modèle ___
___Chargement d'un modèle dans Elasticsearch
Démarrage du modèle ___
Déploiement du modèle ___
___Créer un vecteur de requête
3.3 Création de vecteurs dans Elasticsearch
3.4 Établissement de la planification des ressources du cluster
___Configuration requise pour le processeur et la mémoire
Configuration requise pour le disque
API d'analyse de l'utilisation du disque ___Index
3.5 Capacité des nœuds d'apprentissage automatique
3.6 Stratégies d'efficacité du stockage
réduction ___dimensionnelle
___quantification
Exclure dense_vector de ___source
addition

▣ 04 : Optimisation des performances – Vérification par les données

4.1 Déploiement du modèle NLP
___Chargement du modèle dans Elasticsearch
Paramètres liés au déploiement du modèle
4.2 Tests de charge
___Rallier
Prédiction de l'utilisation de la mémoire vive (RAM)
Problème de ralentissement résolu
addition

[Partie 3] Cas d'utilisation particuliers

▣ 05 : Recherche d’images

5.1 Aperçu de la recherche d'images
___Progrès de la recherche d'images
Méthode de recherche d'images
___Le rôle de la recherche de similarité vectorielle
Exemple de recherche d'images
5.2 Recherche d'images vectorielles
Vectorisation d'images
Indexation des vecteurs d'images dans Elasticsearch
Recherche des k plus proches voisins (kNN)
Défis et limites de la recherche d'images
5.3 Modèle multimodal pour la recherche vectorielle
___Le besoin de multimodalité
___Comprendre l'espace vectoriel des modèles multimodaux
___Présentation du modèle OpenAI clip-ViT-B-32-multilingual-v1
___Application de la recherche vectorielle à différents types de médias
addition

▣ 06 : Suppression des informations personnelles identifiables à l’aide d’Elasticsearch

6.1 Aperçu des informations personnelles et de la rédaction
Types de données pouvant inclure des informations personnelles identifiables (IPI)
Risques liés au stockage des informations personnelles dans les journaux ___
___Types de fuites et de pertes de données personnelles
6.2 Suppression des données personnelles identifiables (PII) à l'aide du modèle NER et de modèles d'expressions régulières
Modèle NER
___modèle d'expression régulière
Combinaison de modèles NER et de modèles d'expressions régulières (Grok) pour la suppression des informations personnelles identifiables (IPI)
6.3 Pipeline de suppression des données personnelles d'Elasticsearch
Création de fausses informations personnelles
Paramètres de base du pipeline
Résultats attendus
6.4 Options pour étendre et détailler le processus de suppression des données personnelles identifiables
___Personnalisation de l'exemple de base des informations personnelles identifiables
___Dupliquez le pipeline et créez une nouvelle version pour le nouveau flux de données.
___Optimisation d'un modèle NER pour un ensemble de données spécifique
___Le besoin de technologies contextuelles et comment les appliquer
addition

▣ 07 : Observabilité de nouvelle génération basée sur les vecteurs

7.1 Introduction à l'observabilité et à son importance dans les systèmes logiciels modernes
___Observabilité - Éléments clés
___L'analyse des journaux et son rôle dans l'observabilité
7.2 Une nouvelle approche de l'application des vecteurs et des plongements à l'analyse des journaux
Approche 1 - Entraîner ou affiner un modèle existant pour les logarithmes
___Approche 2 - Générer des descriptions lisibles par l'homme, puis les vectoriser.
7.3 Vectorisation des logs
___log synthétique
___Expansion du journal avec OpenAI
7.4 Recherche sémantique dans les journaux
___indice du vecteur logarithmique
Chargement du modèle
Pipeline de collecte
Recherche sémantique
addition

▣ 08 : L'impact des vecteurs et des intégrations sur le renforcement de la cybersécurité

8.1 Comprendre l'importance de la détection du phishing par e-mail
___Qu'est-ce que le phishing ?
___Différents types d'attaques de phishing
Statistiques sur la fréquence des attaques de phishing
Les défis de la détection des courriels d'hameçonnage
___Le rôle de la détection automatique
Compléter les technologies existantes par la technologie du traitement du langage naturel
8.2 Introduction à ELSER
8.3 Le rôle d'ELSER dans l'IA générative
8.4 Ensemble de données d'e-mails d'Enron (ham ou spam)
8.5 Découvrir ELSER en action
Considérations relatives au matériel
___Téléchargez le modèle ELSER dans Elasticsearch
Paramètres de configuration de l'index et du pipeline de collecte de données
Recherche sémantique utilisant ___ELSER
Limites de ___ELSER
addition

[Partie 4] Intégration innovante et orientations futures

▣ 09 : Création de recherche augmentée avec Elastic

9.1 Préparation à la recherche améliorée RAG à l'aide d'ELSER et de RRF
Recherche sémantique utilisant ___ELSER
Résumé des considérations essentielles pour ___RAG
Intégration ELSER à l'aide de ___RRF
Modèle de langage et RAG
9.2 Étude de cas approfondie - Construction d'un robot de cuisine basé sur RAG
___Aperçu du jeu de données - Explorez le jeu de données Allrecipes.com
Préparation des données pour la recherche améliorée RAG
Recherche RRF utilisant ___ELSER
___Utiliser le moteur de recherche et créer un générateur
addition

▣ 10 : Création d’un plugin élastique pour ChatGPT

10.1 Notions de base contextuelles
Paradigme du contexte dynamique
10.2 Module d'extension DCL - Structure et fonctionnement
10.3 Implémentation de DCL
___Consultez la documentation Elastic pour obtenir les informations les plus récentes
___Élever le niveau de données avec Embedchain
___Intégrez ChatGPT pour créer des partenaires de conversation en temps réel
___distribution
addition

▣ Annexe : Création d’un guide élastique GPT

★ Ce que ce livre aborde ★

◎ Optimisation des performances à l'aide de fonctions de recherche vectorielle
◎ Exploration de la recherche vectorielle d'images et de ses applications
◎ Détection et masquage des informations personnelles identifiables
◎ Mise en œuvre de l'analyse des journaux et de la recherche pour une observabilité de nouvelle génération
◎ Utilisation de la détection de bots basée sur les vecteurs pour la cybersécurité
◎ Explorez la visualisation vectorielle et les dernières fonctionnalités de recherche d'Elasticsearch.
◎ Mise en œuvre d'une application optimisée RAG à l'aide de Streamlit