Découvrez comment intégrer des sources de données externes aux modèles de clavardage avec LangChain. Apprenez à charger, fractionner, intégrer, stocker et récupérer des données pour les utiliser dans des applications LLM.

Charger des documents pour le RAG avec LangChain

Charger des fichiers PDF pour le RAG

Charger des fichiers HTML pour le RAG

Découpage de texte, incorporations et stockage vectoriel

Premiers pas avec le découpage de texte

Découper des documents de façon récursive

Encoder et stocker des documents

Créer une chaîne de récupération LCEL

Créer l'invite de repérage

Créer la chaîne de récupération

Créer des applications RAG avec LangChain

Découvrez des techniques de pointe pour charger, fractionner et récupérer des documents, notamment le chargement de fichiers Python, le fractionnement sémantique, ainsi que les méthodes de récupération MRR et self-query. Apprenez à évaluer votre architecture RAG à l'aide de mesures et de cadres robustes.

Charger et découper des fichiers de code

Chargement de fichiers de code

Découper des fichiers Python

Méthodes avancées de découpage

Découpage par jetons

Découpage sémantique

Optimiser la récupération de documents

Options

Clairsemée (sparse)

Dense

Recherche clairsemée (sparse) vs. dense

Comprendre BM25

Repérage parcimonieux avec BM25

Introduction à l'évaluation de RAG

Évaluation de la précision du contexte avec Ragas

Évaluation de la fidélité avec Ragas

Évaluation de chaînes

Améliorer l'architecture RAG

Découvrez comment les bases de données de graphes et la récupération peuvent surmonter certaines limites du stockage et de la récupération traditionnels basés sur des vecteurs.

Des vecteurs aux graphes

Créer des documents de graphe

Se familiariser avec les graphes

Stocker et interroger des documents

Enrichir votre base de données orientée graphe

Interroger votre base de données graphe

Créer la chaîne Graph RAG

Un voyage à travers le système Graph RAG

Enchaîner, version Graph RAG!

Améliorer la recherche dans le graphe

Graph RAG avec filtrage

Valider les requêtes Cypher

Créer une invite few-shot pour Cypher

Félicitations !

Introduction à Graph RAG

RAG Academic Paper PDF

RAG Workflow Python File

LangChain README Markdown

Chatbot Python File

DataCamp Blog HTML

Les grands modèles de langue (LLMs) sont intégrés aux ordinateurs, aux téléphones et aux applications logicielles, mais ils ont un inconvénient : leur connaissance est limitée par leurs données d'entraînement, dont la mise à jour est lente et coûteuse. C'est là qu'intervient le Retrieval Augmented Generation (RAG) ! RAG vous permet d'intégrer des données externes aux LLMs. Dans ce cours, vous apprendrez des techniques de pointe pour charger, traiter et récupérer des données externes pour les LLMs ! Vous utiliserez des bases de données vectorielles, les LLMs les plus récents et le cadre LangChain pour créer des applications RAG. Le cours se termine par un chapitre sur Graph RAG, une variante de RAG traditionnel qui utilise des bases de données de graphes pour une récupération de données plus fiable.

<h2>Créer des systèmes RAG avec LangChain</h2>La génération augmentée par récupération (RAG) est une technique utilisée pour surmonter l’une des principales limites des grands modèles de langage (LLM) : leurs connaissances limitées. Les systèmes RAG intègrent des données externes provenant de diverses sources dans les LLM. Ce processus de connexion de plusieurs systèmes différents est généralement fastidieux, mais LangChain rend ça un jeu d’enfant !<br><br><h2>Apprenez les méthodes de découpage et de récupération de pointe</h2>Passez à la vitesse supérieure avec votre architecture RAG ! Vous apprendrez à charger et à diviser des fichiers de code, y compris des fichiers Python et Markdown, afin de vous assurer que les divisions tiennent compte de la syntaxe du code. Vous diviserez vos documents à l’aide de jetons plutôt que de caractères afin de vous assurer que les documents récupérés restent dans la fenêtre de contexte de votre modèle. Découvrez comment le découpage sémantique peut aider à conserver le contexte en détectant les changements de sujet dans le texte et en effectuant une coupure à ces endroits. Enfin, apprenez à évaluer de façon robuste votre architecture RAG avec LangSmith et Ragas.<br><br><h2>Découvrez l’architecture Graph RAG</h2>Inversez votre architecture RAG et découvrez comment les systèmes RAG fondés sur les graphes, plutôt que sur les vecteurs, peuvent améliorer la compréhension des entités et des relations dans vos documents. Vous apprendrez à convertir des données textuelles non structurées en graphiques à l’aide des LLM pour effectuer la traduction ! Ensuite, vous stockerez ces documents de graphe dans une base de données de graphe Neo4j et l’intégrerez à un système RAG plus vaste pour compléter l’application.

Developing LLM Applications with LangChain

Découvrez comment intégrer des données externes avec les LLMs via RAG et LangChain.

Retrieval Augmented Generation (RAG) avec LangChain

Apprenez des méthodes de pointe pour intégrer des données externes aux LLM avec la génération augmentée par récupération (RAG) avec LangChain.

Développer des applications avec LangChain

La plupart des éléments du vecteur sont nuls

La plupart des éléments du vecteur sont non nuls

Recherche clairsemée (sparse) vs. dense

Retrieval Augmented Generation (RAG) avec LangChain

Exercice interactif pratique