Dans ce module, vous apprendrez à intégrer des documents à l'aide du modèle d'intégration de watsonx et à stocker ces intégrations à l'aide de bases de données vectorielles, telles que Chroma DB et FAISS. Vous explorerez le rôle des embeddings dans les pipelines RAG, configurerez les magasins de vecteurs pour gérer ces embeddings, et utiliserez LangChain pour prétraiter les documents pour l'embedding. En outre, vous acquerrez une expérience pratique avec les extracteurs avancés de LangChain, tels que les extracteurs basés sur les magasins de vecteurs, les extracteurs multi-requêtes, les extracteurs auto-requérants et les extracteurs de documents parents, afin d'extraire efficacement des informations pertinentes à partir de documents. Enfin, vous comparerez les approches basées sur le RAG avec un réglage fin en utilisant InstructLab pour évaluer leurs compromis et leur applicabilité.

Dans ce module, vous combinerez tous les composants que vous avez appris pour construire une application complète d'IA générative en utilisant LangChain et RAG. Vous apprendrez à implémenter RAG pour améliorer la recherche d'information, à mettre en place des interfaces utilisateurs en utilisant Gradio, et à construire un bot de réponse aux questions qui exploite les LLM et LangChain pour répondre aux requêtes à partir de documents chargés. Grâce à des travaux pratiques, vous vous entraînerez à construire une interface Gradio et à développer votre propre robot d'assurance qualité. Dans le projet final, vous construirez une application IA en utilisant RAG et LangChain. Le matériel de soutien, comme une antisèche et un glossaire, renforcera votre compréhension, renforcera la confiance dans vos compétences de mise en œuvre et évaluera votre apprentissage par le biais d'un quiz noté. Vous quitterez ce module avec un assistant alimenté par l'IA déployable et vous saurez clairement quelles sont les prochaines étapes pour faire progresser vos compétences.