Recommandation
Note du traducteur
Entrée

Partie 1 : Moteur d’agents IA : Du texte aux modèles de langage à grande échelle
Chapitre 1 : Analyse des données textuelles par apprentissage profond
1. Représentation textuelle pour l'IA
Encodage one-hot
__sac de mots
__TF-IDF
2.
Intégration, applications et représentation
__word2vec
__Concept de similarité textuelle
__Propriétés de l'intégration
3.
RNN, LSTM, GRU et CNN pour le traitement de texte
Réseau neuronal récurrent
mémoire à long et à court terme
unité de circulation de porte
__CNN pour le texte
4.
Analyse des sentiments par l'utilisation de l'intégration et de l'apprentissage profond

Chapitre 2 : Transformers : Le modèle à l'origine de la révolution moderne de l'IA
1.
Exploration de l'attention et de l'auto-attention
2.
Présentation du modèle Transformer
3.
Transformers d'apprentissage
4.
Exploration de la modélisation du langage masqué
5.
Visualisation des mécanismes internes
6.
Utilisation des transformateurs

Chapitre 3 : Exploration du puissant moteur d’IA : LLM
1. Examen de l'évolution du LLM
loi d'échelle
__Caractéristiques émergentes
__Longueur du contexte
__Mélange d'experts
2.
Réglage des instructions, réglage fin, alignement
3.
Explorez les LLM de petite taille et efficaces
4.
Exploration des modèles multimodaux
5.
Comprendre les hallucinations et les enjeux éthiques et juridiques
6.
Ingénierie rapide

Partie 2 : Agents d'IA et récupération des connaissances
Chapitre 4 : Création d’un agent de web scraping avec LLM
1.
Comprendre les paradigmes du cerveau, de la perception et du comportement
__cerveau
__perception
__action
2. Classification des agents d'IA
3.
Comprendre les systèmes à agent unique et à agents multiples
4.
Explorez les principales bibliothèques
__LangChain
__Meule de foin
__LlamaIndex
__Noyau sémantique
__AutoGen
Choisir un cadre d'agent __LLM
5.
Création d'un agent ReAct qui recherche et trouve des informations de manière autonome.

Chapitre 5 : Agent à base de RAG pour prévenir les hallucinations
1.
Exploration de Naïve RAG
2.
Recherche, optimisation, augmentation
__Stratégie de segmentation
Stratégie d'intégration
Base de données d'intégration
3.
Évaluer le résultat
4. Comparaison entre RAG et réglage fin
5. Création d'un agent de recommandation de films à l'aide de RAG

Chapitre 6 : Techniques RAG avancées pour la recherche et l’enrichissement de l’information
1.
Problèmes avec Naive RAG
2.
Explorez le pipeline RAG avancé
__Indexation hiérarchique
Questions virtuelles et HyDE
Amélioration du contexte
Transformation de requête
Recherche par mots-clés et recherche hybride
__Routage des requêtes
__Reclassement
__Optimisation de la réponse
3.
Intégration du RAG modulaire à d'autres systèmes
Approches basées sur la formation et approches sans formation
4.
Mise en œuvre d'un pipeline RAG avancé
5. Comprendre l'évolutivité et les performances de RAG
__Évolutivité, stockage et prétraitement des données
Traitement parallèle
__Sécurité et confidentialité
6.
Questions non résolues et perspectives d'avenir

Chapitre 7 : Création d’un graphe de connaissances et connexion à un agent d’IA
1.
Présentation du graphe de connaissances
__Définitions formelles des graphes et des graphes de connaissances
Système de classification et ontologie
2. Construction d'un graphe de connaissances à l'aide de LLM
Création de connaissances
Création d'un graphe de connaissances avec __LLM
Évaluation des connaissances
__Raffinement des connaissances
__Élargir ses connaissances
Hébergement et distribution des connaissances
3.
Recherche d'informations à l'aide de graphes de connaissances et de LLM
Indexation basée sur les graphes
Recherche basée sur les graphes
Utilisation de Graph RAG
4.
Comprendre l'inférence de graphes
__Intégration de graphes de connaissances
réseau neuronal __graphe
Inférence du graphe de connaissances de __LLM
5.
Défis liés aux graphes de connaissances et aux RAG de graphes

Chapitre 8 : Apprentissage par renforcement et agents d’IA
1.
Introduction à l'apprentissage par renforcement
Problème du bandit manchot
processus de décision markovien
2.
Apprentissage par renforcement profond
Approches sans modèle et basées sur un modèle
Méthodes conformes et non conformes aux politiques
__Un regard plus approfondi sur l'apprentissage par renforcement profond
Défis et perspectives d'avenir de l'apprentissage par renforcement profond
Apprendre les jeux vidéo grâce à l'apprentissage par renforcement
3. Interaction entre les modèles LLM et les modèles d'apprentissage par renforcement
__LLM amélioré par apprentissage par renforcement
Apprentissage par renforcement amélioré avec LLM
4.
Résumé des points clés

Partie 3 : Agents d’IA avancés résolvant des scénarios complexes
Chapitre 9 : Construction de systèmes mono-agent et multi-agents
1.
Introduction des agents autonomes
__Toolformer
__Câliner GPT
Chemcrow
__Ville rapide
Agent chimique
__Plusieurs agents dans le domaine juridique
__Agents multiples dans le secteur de la santé
2.
Utilisation de Hugging GPT
Utilisation locale de Hugging GPT
__Utiliser Hugging GPT sur le Web
3.
système multi-agents
4.
SaaS, MaaS, DaaS, RaaS
Logiciel en tant que service (SaaS)
Modèle de service en tant que service (MaaS)
Données en tant que service, DaaS
Résultats en tant que service (RaaS)
__Comparer différents paradigmes

Chapitre 10 : Création d’applications d’agents d’IA
1.
Présentation de Streamlit
__Démarrage du ruisseau
__Résultats de la mise en cache
2.
Développement front-end avec Streamlet
__Ajouter un élément de texte
Insérer une image dans l'application Streamlet
__Création d'applications dynamiques
3.
Création d'applications à l'aide de Streamlets et d'agents d'IA
4.
Opérations d'apprentissage automatique et opérations LLM
Développement de modèles
Formation de modèles
Test sur modèle
__Optimisation de l'inférence
Gestion des erreurs en production
Considérations relatives à la sécurité de la production
5.
Programmation asynchrone
__asyncio
Programmation asynchrone et apprentissage automatique
6.
Docker
__Kubernetes
__Utiliser Docker pour l'apprentissage automatique

Chapitre 11 : L'avenir à venir
1.
Les agents d'IA dans le domaine médical
__Agents d'IA dans les sciences biomédicales
2.
Les agents d'IA dans d'autres secteurs
Agent physique
Agent LLM pour les jeux
Agent Web
3.
Défis à relever et questions non résolues
Problèmes de communication homme-agent
__Absence de supériorité manifeste des agents multiples
__Limites de l'inférence
Créativité du LLM
__Possibilité d'une interprétation mécaniste
__La voie vers l'intelligence artificielle générale
questions éthiques

Recherche

Des bases des LLM et des RAG aux graphes de connaissances avancés, à l'apprentissage par renforcement et aux multi-agents.
Un guide complet pour créer des agents d'IA, le tout dans un seul livre !

Bien que les services tirant parti des modèles de langage à grande échelle (LLM) aient connu une augmentation récente, il est difficile de construire un « agent véritablement autonome » capable de répondre aux besoins complexes des utilisateurs simplement en appelant des API.
Du problème persistant des hallucinations à la mise en œuvre d'une intelligence capable de prendre des décisions, d'agir et d'apprendre de manière autonome, de nombreux développeurs sont confrontés à des défis de taille.
Ce livre surmonte ces limitations et présente une feuille de route complète qui explore en profondeur toutes les couches techniques qui constituent les agents d'IA, depuis leurs fondements.

★ Flux systématique qui pénètre toutes les couches de l'agent d'IA
· La première partie pose des bases solides, depuis l'encodage de texte, fondement de l'IA, et les RNN/LSTM jusqu'aux mécanismes internes des transformateurs et des LLM, au cœur de la révolution moderne de l'IA.
La deuxième partie explore RAG (techniques de base et avancées), le moteur central qui permet à LLM de s'adapter et de devenir plus intelligent ; les graphes de connaissances qui maximisent les capacités de récupération et d'inférence des informations ; et l'apprentissage par renforcement pour l'apprentissage autonome des comportements.
La partie 3 vous guide à travers le processus pratique d'intégration de toutes ces technologies pour construire des systèmes autonomes mono- et multi-agents, et les déployer en tant qu'applications du monde réel à l'aide de Streamlit et Docker.

★ Au-delà de la simple utilisation d'outils, devenez un architecte doté de compétences en résolution de problèmes
L'ouvrage met notamment l'accent sur les raisons de l'émergence de chaque technologie et sur la manière dont elle s'articule organiquement avec les autres technologies.
Nous proposons un aperçu complet de la manière dont les transformateurs surmontent les limitations des RNN, de la manière dont les RAG résolvent les problèmes inhérents aux LLM et de la raison pour laquelle les graphes de connaissances sont essentiels pour l'inférence complexe.
Une approche fondée sur cette compréhension fondamentale permettra aux lecteurs de passer du statut de simples utilisateurs de bibliothèque à celui de véritables architectes de l'IA, capables de diagnostiquer les problèmes complexes qui se posent dans la pratique et de concevoir des solutions optimales.

Tout en expliquant les principes fondamentaux à l'aide de nombreuses références et de schémas détaillés, nous établissons un lien immédiat entre la théorie et la pratique grâce à des exemples de projets concrets, notamment un agent d'extraction de données Web, un agent RAG de recommandation de films et un planificateur de voyages.
Pour tous les développeurs, chercheurs et praticiens qui souhaitent approfondir les principes de fonctionnement des agents d'IA et concevoir de manière proactive les futurs systèmes d'IA, ce livre constituera un guide fiable et clair.

-La structure de ce livre-

Le chapitre 1, « Analyse des données textuelles avec l'apprentissage profond », présente des méthodes de traitement et d'expression du langage naturel dans un format adapté aux modèles d'apprentissage automatique.
Nous abordons diverses techniques d'encodage de texte, des plus basiques comme l'encodage one-hot et le sac de mots aux représentations avancées comme TF-IDF et word2vec.
Ensuite, nous explorons les principales architectures d'apprentissage profond adaptées aux données séquentielles, telles que RNN, LSTM, GRU et CNN, et expliquons comment les appliquer aux tâches de classification de texte.
À la fin de ce chapitre, vous comprendrez comment ces fondements permettent le développement de modèles de langage modernes comme ChatGPT.

Le chapitre 2, « Transformers : les modèles à l’origine de la révolution moderne de l’IA », présente le mécanisme d’attention et explique son évolution vers l’architecture Transformer. Il examine les limites des premiers modèles, tels que les RNN et les LSTM, et montre comment les Transformers les ont surmontées pour devenir le fondement du traitement automatique du langage naturel moderne.
Couvrant des sujets essentiels tels que l'auto-attention, la modélisation du langage masqué, les techniques d'apprentissage et la visualisation du modèle interne, cet ouvrage pose les bases de la compréhension du LLM actuel à travers des cas d'application pratiques.

Le chapitre 3, « À la découverte de LLM, un puissant moteur d'IA », explore comment l'entraînement à grande échelle des modèles Transformer a donné naissance à LLM. Il aborde l'évolution de LLM, ses principales capacités et ses limites, et présente des techniques telles que l'optimisation des instructions, le réglage fin et l'alignement.
Nous abordons également des défis clés tels que des modèles LLM plus petits et plus efficaces, des modèles multimodaux gérant plusieurs types de données, les hallucinations et les problèmes éthiques, ainsi que l'ingénierie rapide.

_Le chapitre 4, « Construire un agent de web scraping avec LLM », introduit les agents d’IA comme un concept qui étend LLM pour compléter ses capacités d’exécution d’actions.
Ce chapitre explore les caractéristiques fondamentales des agents et les différences entre les systèmes à agent unique et les systèmes multi-agents.
Ensuite, nous présentons les principales bibliothèques utilisées pour construire des agents et nous vous guidons étape par étape tout au long du processus de création d'un agent de web scraping capable de récupérer des informations sur Internet.

Le chapitre 5, intitulé « Agents basés sur RAG pour prévenir les hallucinations », explore comment RAG surmonte les limitations de LLM, notamment les connaissances obsolètes et les hallucinations. Il explique également comment LLM améliore la précision et l'adaptabilité en accédant à des informations externes grâce aux plongements RAG et à une base de données vectorielles.
Nous comparons également RAG et le réglage fin, et présentons des applications pratiques à travers la pratique concrète de la construction d'un agent de recommandation de films.

Le chapitre 6, « Techniques RAG avancées pour la recherche et l'augmentation d'informations », présente des techniques qui étendent l'architecture RAG de base pour améliorer les performances à toutes les étapes du pipeline, y compris la collecte, l'indexation, la récupération et la génération de données.
Nous abordons le RAG modulaire, les techniques de mise à l'échelle du système pour de grands ensembles de données et de vastes bases d'utilisateurs, ainsi que les principaux défis tels que la robustesse et la confidentialité.
Il met également en lumière les défis actuels et les problèmes non résolus concernant le développement futur des systèmes basés sur la technologie RAG.
Le chapitre 7, « Création d'un graphe de connaissances et connexion à un agent d'IA », explique comment structurer les connaissances textuelles en un graphe de connaissances afin d'améliorer les capacités de recherche d'informations et de raisonnement des agents d'IA.
tous.
Ce chapitre présente le concept GraphRAG, qui exploite les graphes de connaissances pour fournir des données contextuelles structurées aux LLM.
Nous expliquons ensuite comment construire un graphe de connaissances en extrayant les entités et les relations à l'aide de LLM, et comment utiliser les techniques d'interrogation et d'inférence basées sur les graphes. Nous abordons également les avantages et les limites de la combinaison de ces approches, ainsi que les perspectives de développement.

Le chapitre 8, « Apprentissage par renforcement et agents d'IA », explique comment les agents apprennent et ajustent leur comportement en fonction de leur expérience lorsqu'ils interagissent avec un environnement dynamique.
Ce chapitre présente les principes fondamentaux de l'apprentissage par renforcement et explique comment les agents prennent des décisions et améliorent leurs performances au fil du temps.
Nous montrons également comment optimiser le comportement à l'aide de réseaux neuronaux.
Enfin, nous concluons en expliquant comment construire des systèmes d'IA plus puissants en combinant LLM et apprentissage par renforcement.

Le chapitre 9, « Construction de systèmes mono- et multi-agents », explique comment étendre LLM avec des outils et d'autres modèles pour construire des agents autonomes.
Nous présentons les concepts de systèmes mono-agent et multi-agents, expliquons comment LLM interagit avec les API et les modèles externes, et examinons des exemples représentatifs tels que HuggingGPT.
Il aborde également les stratégies de coordination inter-agents, les cas d'utilisation concrets dans des domaines complexes et les nouveaux paradigmes commerciaux tels que SaaS, MaaS, DaaS et RaaS.

Le chapitre 10, « Création d'applications d'agents d'IA », explore les principaux défis qui se posent lors de la mise à l'échelle et du déploiement d'agents d'IA dans des applications du monde réel.
Ce chapitre présente Streamlit, un framework permettant de prototyper rapidement les composants front-end et back-end des systèmes à base d'agents.
Il aborde également les principaux aspects opérationnels, notamment la programmation asynchrone, la conteneurisation à l'aide de Docker et les meilleures pratiques pour la création de solutions d'IA évolutives et opérationnellement stables.

Le chapitre 11, « L’avenir à venir », explore le potentiel transformateur des agents d’IA dans divers secteurs, y compris les soins de santé.
En nous appuyant sur les avancées technologiques abordées dans le chapitre précédent, nous passons en revue les défis techniques et éthiques auxquels sont confrontés les systèmes LLM et les systèmes d'agents, et nous concluons en suggérant des problèmes non résolus qui subsistent dans le développement et le déploiement d'agents d'IA intelligents, ainsi que des orientations futures en matière de recherche et d'applications pratiques.