Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 14 heures
Plan du cours
Introduction à la Génération Augmentée par Récupération (RAG)
- Qu'est-ce que le RAG et pourquoi est-il important pour l'IA en entreprise.
- Composants d'un système RAG : récupérateur, générateur, magasin de documents.
- Comparaison avec les LLM autonomes et la recherche vectorielle.
Configuration d'un pipeline RAG
- Installation et configuration de Haystack ou de frameworks similaires.
- Ingestion et prétraitement des documents.
- Connexion des récupérateurs aux bases de données vectorielles (par exemple, FAISS, Pinecone).
Ajustement fin du récupérateur
- Entraînement de récupérateurs denses à l'aide de données spécifiques à un domaine.
- Utilisation de transformers de phrases et d'apprentissage contrastif.
- Évaluation de la qualité du récupérateur avec la précision top-k.
Ajustement fin du générateur
- Sélection des modèles de base (par exemple, BART, T5, FLAN-T5).
- Ajustement d'instructions versus ajustement fin supervisé.
- Méthodes LoRA et PEFT pour des mises à jour efficaces.
Évaluation et optimisation
- Métriques pour évaluer les performances du RAG (par exemple, BLEU, EM, F1).
- Latence, qualité de la récupération et réduction des hallucinations.
- Suivi des expériences et amélioration itérative.
Déploiement et intégration en conditions réelles
- Déploiement du RAG dans des moteurs de recherche internes et des chatbots.
- Aspects liés à la sécurité, à l'accès aux données et à la gouvernance.
- Intégration avec des API, des tableaux de bord ou des portails de connaissances.
Études de cas et meilleures pratiques
- Cas d'usage en entreprise dans les secteurs de la finance, des soins de santé et du juridique.
- Gestion de la dérive du domaine et des mises à jour de la base de connaissances.
- Perspectives futures des systèmes LLM à récupération augmentée.
Résumé et prochaines étapes
Pré requis
- Compréhension des concepts de traitement automatique du langage naturel (TAL).
- Expérience avec les modèles de langage basés sur des transformers.
- Connaissance de Python et des flux de travail de base en apprentissage automatique.
Public cible
- Ingénieurs en TAL.
- Équipes de gestion des connaissances.
Nos clients témoignent (1)
les exemples très parlant et les exercice appliqués