Dans ce module, vous apprendrez à stocker des embeddings à l'aide d'un magasin vectoriel et à utiliser Chroma DB pour sauvegarder des embeddings. Vous aurez un aperçu des récupérateurs LangChain tels que le récupérateur basé sur un magasin vectoriel, le récupérateur multi-requête, le récupérateur auto-requête et le récupérateur de documents parentaux. Dans les laboratoires pratiques, vous préparerez et prétraiterez des documents pour l'intégration et utiliserez watsonx.IA pour générer des intégrations pour vos documents. Vous utiliserez des bases de données vectorielles telles que Chroma DB et FAISS pour stocker les embeddings générés à partir de données textuelles à l'aide de LangChain. Enfin, vous utiliserez divers extracteurs pour extraire efficacement des segments de documents pertinents à partir de texte en utilisant LangChain.

Dans ce module, vous apprendrez à mettre en œuvre RAG pour améliorer la recherche. Vous vous familiariserez avec Gradio et apprendrez à mettre en place une interface Gradio simple pour interagir avec vos modèles. Vous apprendrez également à construire un robot d'assurance qualité pour répondre à des questions à partir de documents chargés en utilisant LangChain et LLMs. A l'aide de travaux pratiques, vous aurez l'occasion de vous entraîner à la mise en place d'une interface Gradio, ainsi qu'à la construction d'un robot d'assurance qualité. Dans le projet final, vous construirez une application IA en utilisant RAG et LangChain.