Dans ce cours, nous commençons par les concepts et l'utilisation des Grands modèles de langage, en explorant les LLMs populaires tels que OpenAI GPT et Google Gemini. Nous comprendrons les Language Embeddings et les bases de données vectorielles, et nous passerons à l'apprentissage du LangChain LLM Framework pour développer des applications RAG combinant les pouvoirs des LLM et des LLM Frameworks.

Les capacités des LLM ne doivent pas être confinées dans des outils tels que ChaGPT, Google Gemini ou Anthropic Claude. Vous pouvez exploiter les puissantes capacités de langage naturel des LLM appliquées aux données de votre organisation pour créer des automatismes et des applications étonnantes appelées Génération Augmentée de Récupération ou RAG Applications. Certains des éléments clés du cours sont l'apprentissage de l'ingénierie des requêtes pour les applications RAG, le travail avec les agents, les outils, les documents, les chargeurs, les séparateurs, les analyseurs de sortie, etc. Les participants doivent avoir une compréhension de base de la programmation Python et une connaissance fondamentale des Grands modèles de langage (LLM) pour tirer le meilleur parti de ce cours. À la fin de ce cours, vous serez en mesure de développer des applications RAG en utilisant les Grands modèles de langage (LLM), LangChain, et les bases de données vectorielles. Vous apprendrez à rédiger des messages-guides efficaces, à comprendre les modèles et les jetons, et à utiliser les bases de données vectorielles pour automatiser les flux de travail. Vous comprendrez également les concepts clés de LangChain pour construire des applications RAG simples à moyennement complexes.