Passer aux informations sur le produit
Guide pratique pour la construction d'un système RAG simple.
Un guide pratique pour construire un système RAG simple à l'aide de Rangchain.
Description
Introduction au livre
Des concepts de base du LLM à la conception et au déploiement de services d'IA
La feuille de route complète RAG en un seul volume


Ce livre explique les concepts et les principes du système RAG basé sur le framework Langchain d'une manière facile à comprendre, même pour les débutants.
Nous expliquons également en détail le rôle de chaque composant du système et comment il peut être mieux utilisé.
En particulier, dans le dernier chapitre, vous réaliserez un « projet pratique de construction du système RAG » basé sur la théorie et la pratique apprises jusqu'à présent, et il est conçu pour accroître votre compréhension globale du RAG et vous permettre de l'appliquer directement dans la pratique.
  • Vous pouvez consulter un aperçu du contenu du livre.
    Aperçu
","
indice
CHAPITRE 01 - Aperçu du LLM

1.1 LLM, le moteur de l'engouement pour l'IA générative
Traitement automatique du langage naturel basé sur des règles, ELIZA, le premier chatbot IA
Traitement automatique du langage naturel basé sur les statistiques, l'émergence des n-grammes
Progrès en apprentissage profond et en traitement automatique du langage naturel : CNN, RNN et LSTM
Innovation en matière de modèles de langage, transformateur
L'échelle est tout ce dont vous avez besoin, le début du LLM
1.2 Les deux principaux axes du développement des LLM : les LLM open source et les LLM propriétaires
Choisir le bon LLM est essentiel pour les services d'IA
Master en droit à code source ouvert vs. Master en droit à code source fermé
__Écosystème mondial des LLM open source
__Écosystème LLM open source national
1.3 Aperçu de l'utilisation du LLM
Perplexity, un service de recherche conversationnelle basé sur l'IA générative
__Copilote IA marketing, Jasper
Zapier simplifie l'automatisation grâce à l'IA
__Copilote CRM tout temps, l'Einstein de Salesforce
GitHub Copilot : l’outil de programmation IA indispensable aux développeurs
Analyse de données simple et rapide avec Tableau AI
Adobe Firefly : un outil qui fait de chacun un designer

CHAPITRE 02 - SE RAPPROCHER AVEC RAG

2.1 Qu'est-ce que le système RAG ?
Le plus grand point faible de LLM, ce sont les hallucinations.
Problème de limitation de la fenêtre contextuelle
Problème d'amnésie de l'API __LLM
L'émergence du RAG, qui permet de surmonter les hallucinations
2.2 RAG vs. Réglage fin

CHAPITRE 03 - PREMIERS PAS AVEC LE LLM

3.1 Qu'est-ce qu'une chaîne de langage ?
Concept et composants de la chaîne de langage
ChatPDF, un service construit avec __RangeChain
3.2 Utilisation de LLM via Langchain
Principes de base des appels d'API LLM
Trois formes de __invites
Comprendre la température dans le cadre du programme LLM
__Réponses en streaming comme sur ChatGPT
Obtenez des réponses plus rapides en mettant les réponses en cache.
3.3 Modèle d'invite pour une saisie d'invite plus pratique
__PromptTemplate et ChatPromptTemplate
Modèle de prompt avec exemple Fewshot
Modèle d'invite partielle permettant un traitement partiel
3.4 Analyseur de sortie pour formater les réponses de LLM au format souhaité
__Analyseur CSV qui génère une liste séparée par des virgules
Analyseur __Datetime qui ne produit que des formats de date
Analyseur JSON pour le format de base de la communication système

CHAPITRE 04 - Gestion de divers documents avec RAG

4.1 Comprendre les chargeurs de documents
Comprendre l'objet document pour __RAG
4.2 Importation de fichiers PDF dans un document
__PyPDFLoader
__PyPDFium2
Comparaison des temps de traitement de PyPDFLoader et PyPDFium2
Comparaison des chargeurs PDF
4.3 Importer plusieurs fichiers dans un document
Importer des fichiers Word, Docx2txtLoader
Charger un fichier CSV, csv_loader
Chargement des fichiers PPT, UnstructuredPowerPointLoader
Chargement des informations Internet, WebBaseLoader
Charger tous les fichiers d'un chemin spécifique, DirectoryLoader
4.4 Séparateurs de texte pour découper des documents de différentes manières
Processus de stockage de la base de données vectorielle
__Fractionneurs de texte qui divisent les documents en sections de tailles appropriées
CharacterTextSplitter divise le texte en fonction du nombre de caractères
__RecursiveCharacterTextSplitter qui divise le texte de manière récursive
SemanticChunker, qui segmente en comprenant le contexte

CHAPITRE 05 - Utilisation du chiffon

5.1 Intégration de texte pour convertir du texte en nombres
__Qu'est-ce qu'un modèle d'intégration ?
__Source libre et source fermée
5.2 Stockage de vecteurs de documents
Types de bases de données vectorielles
__Qu'est-ce que Chroma DB ?
__Chroma DB : stockage de documents et recherche de documents similaires
Gestion de documents à l'aide de l'API __Chroma DB
5.3 Outil de recherche et de récupération de documents RAG
Récupérateur basé sur une base de données vectorielle
__MultiQueryRetriever, qui réinterprète et recherche la requête de l'utilisateur
MultiVectorRetriever, qui réinterprète un document en plusieurs vecteurs
Réorganisation du contexte long, qui réorganise les contextes
5.4 LCEL, un langage pour exprimer les chaînes de rangs
__Écriture de code simplifiée et gestion efficace des modules
Configurez la chaîne de base avec LCEL
__stream() permet d'ajouter facilement des fonctionnalités de streaming.
__batch() pour interroger et recevoir plusieurs API
5.5 Construction d'un système RAG de base
Création d'un système RAG 1 - Configuration de base de la chaîne d'assurance qualité
Construction d'un système RAG 2 - Construction des fonctions de mémoire
__Construire RAG avec un LLM open source

CHAPITRE 06 - Maîtriser le RAG

6.1 Création d'un chatbot RAG avec Streamlit
En cours d'exécution __Streamlit
Paramètres de la fonction de chat Streamlit
6.2 Ajout d'une fonctionnalité de conversation
6.3 Implémentation de la fonction de téléchargement de fichiers
6.4 Complétez le chatbot RAG en ajoutant des fonctionnalités avancées
6.5 Déploiement avec Streamlit
Préparation de la candidature
__Configuration de GitHub
Déploiement avec Streamlit Cloud
6.6 Au-delà des limites du LLM, outil et agent
Inférence étape par étape CoT et ReAct
Création d'un agent de recherche Internet avec __Rangchain
Compléter une base de données vectorielle et un agent de recherche Internet avec Rank Chain
","
Image détaillée
Image détaillée 1
","
Avis de l'éditeur
En partant des bases du LLM
Guide pratique de Langchain !


Le domaine de l'IA évolue si rapidement qu'il nécessite des technologies et des conseils qui soient réellement utilisés dans les entreprises.
Ce livre s'appuie sur la vaste expérience d'un consultant en IA et d'un développeur d'applications IA expert. Il propose un programme accessible, même aux nouveaux étudiants du master en IA, et fournit un savoir-faire pratique pour la conception de systèmes Langchain. À travers diverses études de cas et des méthodologies Langchain avancées, vous serez capable de construire un système RAG performant.

★Ce que vous pouvez apprendre de ce livre★

* Utilisation des modèles de langage via LangChain : modèles de langage, modèles d’invite, analyseur syntaxique de sortie
* Divers traitements de documents utilisant RAG : chargeurs de documents, séparateurs de texte
* Projet pratique RAG : Intégration, base de données vectorielle, récupérateur, LCEL, chaînes, mémoire
* Construction et déploiement du système RAG : Streamlit, Ollama, Tool et agents d’IA
* Parmi les autres modèles utilisés figurent Langchain, OpenAI, Claude, GPT-4o et Hugging Face !

★Lecteurs qui ont besoin de ce livre★

* Développeurs en herbe souhaitant développer des systèmes d'IA avec Langchain tout en acquérant les bases d'un LLM.
* Les développeurs actuels qui souhaitent intégrer les dernières technologies et projets de création d'IA à leurs services
* Toute personne souhaitant s'exercer à utiliser différentes API de modèles et les appliquer à des projets réels !
"]
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 30 octobre 2024
- Nombre de pages, poids, dimensions : 278 pages | 170 × 232 × 20 mm
- ISBN13 : 9791193083239
- ISBN10 : 1193083230

Vous aimerez peut-être aussi

카테고리