▣ Chapitre 1 : Aperçu de la programmation de l’API LLM

1.1 Apprendre les bases du LLM dans un environnement ludique
1.2 Comment rédiger de meilleures instructions
1.3 API d'OpenAI, la référence en matière de LLM
1.4 Exploration de l'API Google Gemini
1.5 LLM leader en Corée, Upstage Solar API
1.6 Des bases de la chaîne de langage à la construction de RAG
1.7 Développement d'applications Web LLM avec Streamlet
1.8 Développement d'applications LLM multiplateformes
1.9 Résumé

▣ Chapitre 2 : Apprendre les bases du LLM dans l’environnement de jeu d’OpenAI

2.1 Paramètres d'inscription et de paiement d'OpenAI
__Rejoignez OpenAI
Enregistrez une carte de paiement
__Crédits d'achat
2.2 Exploration de l'environnement de jeu OpenAI
Entrez dans le terrain de jeu __
__Achèvements
Mode chat
__TTS
2.3 Comparaison du mode Chat et du mode Complet
Dialogue à un seul tour et à plusieurs tours
__Résumé du texte
__Saisie semi-automatique du code
2.4 Apprendre en observant divers exemples de consignes
2,5 jetons
Concept de jeton et nombre de jetons
__Vérification de la tokenisation d'OpenAI
2.6 Réglage des paramètres
__Modèle
__Température
__Nombre maximal de jetons
__Séquences d'arrêt
__Top P
Pénalité de fréquence et pénalité de présence
2.7 Comparaison simple des performances du modèle
__Résumé du texte
Questions et réponses
Résolution de problèmes de physique
Score au test d'aptitude scolaire universitaire (SCAT) en langue coréenne
2.8 Créer un assistant qui exploite des outils sans coder
Créer votre premier assistant - Un robot de conseil
Création d'un assistant pour la création de documents PPT avec un interpréteur de code
Création d'un assistant qui répond aux questions en se référant à des « connaissances » issues de fichiers PDF et d'autres sources.
2.9 Temps réel
Vivez une conversation en temps réel
__Le potentiel des API en temps réel
2.10 Limite de fréquence de création
2.11 Résumé

▣ Chapitre 3 : Rédiger de meilleures questions

3.1 Donner des instructions précises
3.2 Trouver l'expression correcte
__Un exemple de la façon dont le comportement change en fonction du choix des mots
Exemple de spécification du ton d'une phrase
3.3 Des phrases positives plutôt que négatives
3.4 Répondre ensemble à la question
3.5 Apprentissage sans exemple, avec un seul exemple, avec quelques exemples et avec de nombreux exemples
__Zéro coup
__One Shot
__Pewshot
__Plusieurs photos
3.6 Division des étapes d'exécution
Requête simple
__chaîne prompt
3.7 CoT : Inciter les gens à réfléchir en profondeur
Exemple : Trouver le prix de 12 pommes
Exemple : Représenter un nombre comme le produit de deux nombres
3.8 Spécification du format de sortie
Questions à réponse courte et subjective avec plusieurs réponses possibles
Format préféré par LLM
__Comment obtenir une sortie structurée
3.9 Génération d'instructions SQL de programmation avec LLM
Aperçu de SQL
Transformation de requêtes en langage naturel à l'aide de __LLM
Risques et solutions en matière de sécurité et de performance
__Cas d'utilisation
3.10 Amélioration de la précision de la reconnaissance d'objets dans les modèles multimodaux
3.11 Réagir
__Qu'est-ce que ReAct ?
__Comment fonctionne ReAct
Avantages de ReAct
Limitations de __ReAct
__Comment rédiger une invite ReAct
__Informations Complémentaires
3.12 Création de recherche augmentée
Qu'est-ce que __RAG ?
Avantages de __RAG
__Inconvénients et limites du RAG
Solution au problème __RAG
__RAG contre
Contexte large
__organiser
3.13 Menaces et sécurité de l'ingénierie rapide
Exemple de menace
__Meilleures pratiques
3.14 Résumé
3.15 Lectures complémentaires

▣ Chapitre 4 : Programmation de l’API OpenAI

4.1 Obtention d'une clé API OpenAI
4.2 Protégez votre clé API
Enregistrement d'une clé API dans les secrets de Google Colab
Enregistrement des clés API dans les variables d'environnement de l'ordinateur
4.3 Essai de l'API OpenAI
4.4 Élaboration d'un historique de conversation
4.5 Structuration de la sortie de l'API OpenAI
Aperçu de la structuration des sorties
__Comparaison du mode JSON et des sorties structurées
__S'exercer à structurer la sortie à l'aide de Pydantic
__S'exercer à structurer la sortie à l'aide d'un schéma JSON
4.6 Intégration à l'aide de l'API OpenAI
__Qu'est-ce que l'intégration ?
Générer des représentations vectorielles avec l'API OpenAI
__Similitude cosinus
__Trouvez des mots/phrases ayant des significations similaires
4.7 Compréhension d'images à l'aide de modèles multimodaux
Décrivez une image sur le web
__Décrire les images locales
__Comprendre les images contenant du texte
4.8 Création d'images
Exemple de base de création d'image
__Créer plusieurs images
4.9 Synthèse vocale
4.10 Dictée vocale avec chuchotement
__Sélectionnez et installez les paquets
__Définition de la fonction de dictée
__Transcrire les fichiers audio
Créer des sous-titres pour les vidéos YouTube
__Expliquez le contexte et créez des sous-titres à l'aide d'invites
__Créer une transcription
4.11 Traitement par lots à l'aide de l'API Batch
__Analyse des sentiments et ensemble de données d'avis de films Naver
Différentes approches de l'analyse des sentiments
Test d'analyse des sentiments sur un seul échantillon
Exemple d'analyse des sentiments à l'aide de l'API par lots
Guide d’analyse des résultats et de sélection du modèle
__Précautions lors de l'utilisation de l'API Batch
4.12 Vérifier la présence de textes nuisibles
__Catégories de modération
Pratique de la modération
__Limites de la modération coréenne
4.13 API Assistant
Composantes clés de l'assistant
__Simple Assistant 'Easy Word Recommendation Bot v1'
__Fonction d'appel de fonction de l'API Assistant
« Easy Word Recommendation Bot v2 » qui utilise la fonction __
__Créez un assistant qui rédige des descriptions de termes à l'aide de l'API de recherche Tabili
Éléments à prendre en compte lors de l'utilisation de l'API Assistant
4.14 Réglage fin
Aperçu du réglage fin, avantages et inconvénients
Aperçu de la pratique du réglage fin
Préparation des données CSV/TSV
__Informatique
__Téléchargez les données et effectuez un réglage fin
__test
4.15 Frais d'API OpenAI par modèle
__GPT-4o
__GPT-4o mini
série __o1
__GPT-4 Turbo et GPT-4
__GPT-3.5 Turbo
__Réglage fin
Modèle audio
API en temps réel
4.16 Résumé

▣ Chapitre 5 : API Google Gemini

5.1 Présentation de l'API Google Gemini
5.2 Configuration de l'API Gemini
__Émettre une clé API Google Gemini
Principaux modèles et utilisation gratuite
__Configuration des variables d'environnement de Google Gemini AI et installation du SDK
5.3 Utilisation de base de l'IA Gemini
Utilisation de base 1 - Envoi et réception de messages avec Singleton
__Utilisation de base 2 - Envoi et réception de messages en mode multiturn (1)
__Utilisation de base 3 - Envoi et réception de messages en mode multiturn (2)
5.4 Utilisation des directives du système
__Créer un Persona
__Précisez le format de la réponse
5.5 Architecture d'E/S Gemini AI
Structure de données d'entrée de l'IA Gemini
Structure de données de sortie de l'IA Gemini
5.6 Contrôle de l'IA Gemini
__Paramètres de configuration
__Vérifier la sécurité
5.7 Reconnaissance des vidéos YouTube avec l'API Gemini
Pipeline de reconnaissance vidéo YouTube
__Télécharger des vidéos YouTube
__Téléverser des vidéos YouTube
5.8 Reconnaissance vocale à l'aide de l'API File
__Reconnaissance vocale
5.9 Appel de fonctions avec Gemini
Principes de base des appels de fonction
Processus d'appel de fonction __LMM
__Implémentation des appels de fonction
__Mise en place d'un chatbot de commande sur smartphone
__Implémentation d'un appel de fonction en deux étapes
5.10 Améliorer la qualité des réponses grâce à la recherche sur Internet
__Utilisation de la fonction de mise à la terre
Contrôler la recherche Internet
5.11 Compatibilité avec OpenAI
Comment appeler une API sans SDK ?
__Pourquoi la compatibilité avec OpenAI est possible
Stratégie d'application de compatibilité OpenAI
5.12 Résumé

▣ Chapitre 6 : API Upstage

6.1 Présentation de l'API Upstage
API basée sur Solar LLM
API pour le traitement des documents
6.2 Expérimentez le modèle Upstage
__Upstage Playground
Discutez sur __Poe.com
Solar Custom Translate, où vous pouvez découvrir le modèle de traduction solaire
6.3 Inscrivez-vous à Upstage et obtenez une clé API
6.4 Mise en œuvre du chat avec Solar LLM
__Consultez l'exemple de code dans la documentation officielle
Pratique de l'API Solar Chat
6.5 Utilisation de l'API de traduction Solr
Utilisation de base de l'API de traduction solaire
__Exemples de traduction d'entrée ensemble
6.6 API d'intégration Solr
Exemple d'intégration simple
__Définition de la fonction d'intégration
__Trouvez des proverbes similaires
6.7 Essai de reconnaissance optique de caractères (OCR) de documents
6.8 Exploration d'images sur le Web, extraction de texte et réponse aux questions
__Préparer la clé API
__Obtenir l'image
Extraire le texte des images
Questions et réponses
6.9 Présentation des applications utilisant l'API Upstage
6.10 Résumé

▣ Chapitre 7 : Langchain et Flowy

7.1 Aperçu de Langchain
Cadre __RangeChain
__LangChain pour Python et JavaScript
__Principaux changements selon la version de Langchain
__LCEL
Critique et amélioration de __Rangchain
Outils low-code/no-code basés sur Langchain
Alternative à Langchain
7.2 Tirer parti de Langchain sans coder avec Flowwise
__Installation de Node.js
__Installation et exécution de Flowwise
__Créer un chatbot simple
__Différents nœuds sont disponibles dans Flowwise
Créer un chatbot de catalogue de produits avec Flowise
7.3 Composants de la chaîne de Lang
__Modèle E/S
__recherche
__mélange
__Composants supplémentaires
7.4 Exercices de base sur Langchain
Questions-réponses et chat simples utilisant l'API __Sola
__Remplacer le modèle de langage
Modèle d'invite
7,5 LCEL
Aperçu de __LCEL
Pratique __LCEL
7.6 Agents utilisant l'outil de recherche Tabili
7.7 Création d'un système RAG à l'aide de Gemini, Langchain et ChromaDB
__Se préparer
Création d'une base de données vectorielle
Création d'un programme de questions-réponses basé sur une base de données vectorielle
7.8 Extraction et synthèse de données Web
__Configuration de l'environnement de pratique Jupyter
Exercices de Python
7.9 Création d'un chargeur personnalisé
Installation du paquet __
__Définissez la clé API dans une variable d'environnement
__Définition de la classe Loader
Charger le contenu du livre Wikidocs
Création d'index et réponse aux requêtes
7.10 Création d'un système d'analyse des sentiments des avis multilingues à l'aide de Runnable
Présentation du concept __Runnable
Aperçu du code de pratique
__Paramètres de détection de la langue
Préparation de la mise en place d'un système d'analyse des sentiments des avis multilingues
__Implémentation de la fonction de traduction
Paramètres d'analyse des sentiments et d'extraction des points clés
Définition d'un composant __Runnable
Configurez l'ensemble du flux de travail.
Analyse de l'exécution et des résultats du système
7.11 Création d'une application web de génération de paroles avec Langservo
__Écrire le code
__Exécution et test du serveur web
Génération automatique de la documentation API
Appel API
__L'entraînement est terminé
7.12 Langsmith
__Principales caractéristiques de Langsmith
__Obtenir une clé API
Pratique du code
7.13 Résumé

▣ Chapitre 8 : Création d’applications Web d’IA avec Streamlet

8.1 Principes de base des streamlets
__Créer votre première application Streamlet
Lancement et fermeture de l'application Streamlet
Structure de base d'une application Streamlet
__Création d'un convertisseur de données pour un réglage fin
Créez une application Streamlet qui calcule l'IMC et dessine un graphique.
Stocker les informations confidentielles en toute sécurité
8.2 Création d'une application Streamlet pour créer des questions de test
8.3 Création d'une application Streamlet pour classer et visualiser les avis sur les produits
8.4 Création d'un chatbot Streamlit à l'aide de l'API Gemini
État de la mise en cache et de la session
__Conteneur de messages
__Implémentation étape par étape du chatbot Gemini
__Améliorer la méthode de réponse
8.5 Création d'une application Streamlet décrivant des images
8.6 Création d'une application Streamlet générant des images avec DALL·E 3
8.7 Création d'une application Streamlet qui extrait les sous-titres des vidéos YouTube et génère du contenu
Préparation à l'entraînement
Fonction permettant d'obtenir le titre et la description d'une vidéo YouTube
Fonction permettant d'extraire les mots-clés des descriptions vidéo
Fonction permettant de télécharger l'audio d'une vidéo
Fonction permettant d'extraire du texte de la parole
__Type de contenu
Créez des résumés, des essais, des blogs et des critiques.
Traduction de la transcription/des sous-titres
__exécution
8.8 Création d'une application Streamlet qui extrait et résume le texte des images
8.9 Création d'une application Streamlet pour analyser les images de reçus
Étape 1 : Téléchargez l’image du reçu et affichez-la à l’écran.
Étape 2 : Extraire les informations du reçu et les afficher à l’écran.
Étape 3 : Terminer en ajoutant la fonction de classification automatique des dépenses.
8.10 Construction d'un correcteur de phrases à l'aide d'un modèle finement ajusté
Présentation du correcteur de phrases
Introduction à __AsyncOpenAI
__Implémentation d'un correcteur de phrases
__Exécuter et utiliser l'application
__Exemples supplémentaires
8.11 Création d'un chatbot avec Streamlet et Langchain
8.12 Résumé

▣ Chapitre 9 : Création d’une application de chat multilingue à l’aide du framework Flet et de l’API LLM

9.1 Introduction au cadre Flet
9.2 Configuration de l'environnement pour le développement de Flet
__Activer l'environnement virtuel
Installation de __Flet
9.3 Création de votre première application Flet
Créer un projet __Flet
__Description du code
Lancez l'application Flet
9.4 Création d'une application de chat basique
Comprendre la structure de base d'une application de chat
Création d'une application de chat Flet basique
__Saisissez votre nom d'utilisateur lors de votre inscription
__Distinction entre la connexion et les messages de chat
__Modifier l'affichage des messages
9.5 Ajout et finalisation de la fonctionnalité de traduction multilingue pour les conversations.
__Créer une application
__Description du code
Lancez l'application

▣ Annexe A : Comparaison de l’utilisation des jetons par modèle

A.1 Modèle OpenAI
__GPT-3.5 Turbo, GPT-4 Turbo, GPT-4
__GPT-4o, GPT-4o mini
A.2 Gemini Pro
A.3 Solaire
A.4 Comparaison

▣ Annexe B : Utilisation de Vertex Geminai sur Google Cloud

B.1 Chemin logique vers le sommet Gémeaux
B.2 Premiers pas avec Vertex AI sur Google Cloud Platform
Inscrivez-vous à Google Cloud Platform
__Créer un compte de service
__Activation de l'API Vertex AI
L'API Vertex Gemini fonctionne correctement

▣ Annexe C : Utilisation de l’API OpenAI dans .NET

C.1 Préparez votre clé API OpenAI
C.2 Installation de Visual Studio
C.3 Création d'un nouveau projet
C.4 Installation du package OpenAI
C.5 Exemple d'écriture de code
C.6 Exécution du code

▣ Annexe D : Exercices pratiques sur l’API OpenAI Realtime

D.1 Installation de Node.js
D.2 Télécharger l'exemple de code source
Méthode 1 : Téléchargez et décompressez le fichier compressé.
Deuxième méthode : Cloner le dépôt Git
D.3 Préparez votre clé API OpenAI
D.4 Exécution du code d'exemple
Serveur relais en cours d'exécution
__Exécuter la console en temps réel
Tests de console en temps réel

▣ Annexe E : Garde-fous pour la stabilité des applications LLM

E.1 Le concept et la nécessité des garde-corps
__Types de garde-corps
__Différence entre les cas avec et sans garde-fous
E.2 Premiers pas avec Guardrails AI
Inscrivez-vous et obtenez une clé API
Installation et configuration de base
__Guardrails Hub
Détection des numéros de téléphone à l'aide de RegexMath
Détection et masquage des informations personnelles identifiables à l'aide de Dectec PII
Validez les instructions SQL avec __Valid SQL
Masquer les informations personnelles identifiables avec un détecteur personnalisé
E.3 Conclusion
E.4 Références

★ Ce que ce livre aborde ★

◎ Comment intégrer et utiliser l'API LLM

- Présenter les fonctionnalités et les méthodes d'utilisation des principales API LLM telles qu'OpenAI, Google Gemini et Upstage Solr, et acquérir les connaissances de base nécessaires à l'utilisation des API LLM, telles que l'émission de clés API, l'appel d'API et le traitement des réponses.

◎ Apprenez les bases du LLM grâce à l'OpenAI Playground

- Apprenez les bases de l'utilisation des modèles LLM, notamment la rédaction d'invites, la tokenisation et le réglage des paramètres, dans l'environnement de test OpenAI Playground, et comparez et analysez les performances de différents modèles LLM.

◎ Principes et techniques fondamentaux de l'ingénierie rapide

- Présente les principes fondamentaux de l'ingénierie des prompts qui maximisent les performances du LLM et enseigne des méthodes efficaces de conception de prompts à travers diverses techniques de rédaction de prompts et des cas d'application pratiques.

Comment utiliser les API OpenAI, Google Gemini et Upstage Solar

- Apprenez en détail les fonctionnalités et l'utilisation de chaque API LLM, et entraînez-vous à utiliser l'API LLM pour diverses tâches telles que la génération de texte, la légende d'images, la traduction et les chatbots.

◎ Construction d'un système d'IA basé sur les connaissances utilisant la génération de recherche augmentée (RAG).

- Présente la technique de génération de recherche augmentée (RAG) et les exercices de construction d'une application LLM qui exploite les connaissances externes à l'aide de RankChain.

◎ Développement d'applications LLM avec Langchain et Flowwise

- Découvrez les principales fonctionnalités et l'utilisation du framework LangChain, et apprenez à développer des applications LLM sans coder grâce à Flowwise.

◎ Diverses applications web d'IA implémentées avec Streamlet

- Ce cours présente comment développer diverses applications web basées sur LLM à l'aide de Streamlet et permet d'acquérir les compétences nécessaires au développement d'applications web concrètes, telles que la visualisation des données, la conception d'interfaces utilisateur et l'intégration d'API.

◎ Application de chat multilingue en temps réel créée avec Flet

- Mettre en œuvre une application de chat multilingue en temps réel utilisant le framework Flet et ajouter une fonction de traduction automatique utilisant l'API OpenAI pour permettre une communication en temps réel dans un environnement multilingue.