Dans ce module, vous explorerez les principes fondamentaux de la Génération augmentée par récupération (RAG) et la façon dont elle est appliquée pour générer des réponses plus précises et tenant compte du contexte dans des applications telles que les chatbots et les agents IA intelligents. Vous découvrirez le processus complet de RAG, y compris son intégration avec LangChain pour construire des solutions d'IA modulaires et évolutives. Le module couvre des composants clés tels que la récupération de passages denses (DPR), qui utilise un encodeur de contexte et un encodeur de questions, chacun associé à des tokenizers pour convertir le texte dans un format lisible par la machine. Il présente également la bibliothèque Facebook IA similarity search (FIASS), développée par Facebook IA Research, pour effectuer des recherches de similarité efficaces dans des espaces vectoriels à haute dimension. En outre, vous acquerrez une expérience pratique grâce à des laboratoires qui se concentrent sur la mise en œuvre de systèmes basés sur RAG en utilisant deux cadres d'apprentissage automatique majeurs : Hugging Face, pour récupérer des informations à partir d'ensembles de données, et PyTorch, pour évaluer la pertinence du contenu et générer des réponses significatives.

Dans ce module, vous découvrirez l'apprentissage en contexte et les techniques avancées d'ingénierie des messages-guides pour concevoir et affiner les messages-guides afin de générer des réponses pertinentes et précises de la part de l'IA. Vous explorerez ensuite le cadre LangChain, une interface open-source qui simplifie le développement d'applications d'IA à l'aide de grands modèles de langage (LLM). Les concepts clés couverts incluent les outils, les composants et les modèles de chat de LangChain, ainsi que les modèles d'invite, les sélecteurs d'exemples et les analyseurs de sortie. Vous examinerez également le chargeur et le récupérateur de documents de LangChain, les chaînes et les agents pour construire des applications intelligentes. Grâce à des travaux pratiques, vous appliquerez ces concepts pour améliorer les applications LLM et développer un agent d'intelligence artificielle qui intègre LLM, LangChain et RAG pour une recherche interactive et efficace de documents. De plus, un glossaire et une antisèche complète sont disponibles pour renforcer votre apprentissage.