Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Les bases du développement de l'écosystème LangChain
Augmentez votre boîte à outils LLM avec l'écosystème de LangChain, permettant une intégration transparente avec les modèles OpenAI et Hugging Face. Découvrez un framework open-source qui optimise les applications du monde réel et vous permet de créer des systèmes de recherche d'information sophistiqués et uniques en leur genre.Méthodologies de création de chatbot à l'aide de LangChain
Utilisez les outils LangChain pour développer des chatbots, en comparant les nuances entre les modèles open-source de HuggingFace et les modèles fermés d'OpenAI. Utilisez des modèles d'invite pour des conversations complexes, en jetant les bases d'un développement avancé du chatbot.Traitement des données et génération d'augmentation de la recherche (RAG) à l'aide de LangChain
Maîtrisez la tokenisation et les bases de données vectorielles pour optimiser la récupération des données, en enrichissant les interactions du chatbot d'une multitude d'informations externes. Utilisez les fonctions de mémoire de RAG pour optimiser divers cas d'utilisation.Intégrations avancées de chaînes, d'outils et d'agents
Utilisez la puissance des chaînes, des outils, des agents, des API et de la prise de décision intelligente pour gérer les cas d'utilisation de bout en bout et le traitement avancé des sorties LLM.Débogage et mesures de performance
Enfin, devenez compétent en matière de débogage, d'optimisation et d'évaluation des performances, en veillant à ce que vos chatbots soient développés pour gérer les erreurs. Ajoutez des couches de transparence pour résoudre les problèmes.Prérequis
Programme de formation
Plan du cours
1
Introduction à LangChain et au fonctionnement des chatbots
Bienvenue dans le framework LangChain pour concevoir des applications sur les LLM. Vous découvrirez les principaux composants de LangChain, notamment les modèles, les chaînes, les agents, les prompts et les analyseurs syntaxiques. Vous créerez des chatbots à l'aide de modèles open source de Hugging Face et de modèles propriétaires d'OpenAI, vous créerez des modèles de prompts instantanés et intégrerez différentes stratégies de mémoire pour les chatbots afin de gérer le contexte et les ressources pendant les conversations.
- L'écosystème LangChain50 XP
- Modèles OpenAI dans LangChain !100 XP
- Modèles Hugging Face dans LangChain !100 XP
- Modèles de prompts50 XP
- Modèles de prompts et chaînage100 XP
- Modèles de prompts instantanés100 XP
- Prompts few-shot50 XP
- Création d'un ensemble d'exemple few-shot100 XP
- Création du modèle de prompt few-shot100 XP
- Mise en œuvre du prompt few-shot100 XP
2
Chaînes et agents
Il est temps de passer au niveau supérieur avec vos chaînes LangChain ! Vous apprendrez à utiliser le LangChain Expression Language (LCEL) pour définir des chaînes avec plus de flexibilité. Vous allez créer des chaînes séquentielles, dans lesquelles les entrées sont transmises entre les composants afin de créer des applications plus avancées. Vous commencerez également à intégrer des agents qui utilisent les LLM pour la prise de décision.
3
Génération à enrichissement contextuel (RAG)
Une des limites des LLM réside dans le fait qu'ils ont une connaissance limitée, car ils ont été entraînés à partir de données collectées jusqu'à un certain point. Dans ce chapitre, vous apprendrez à créer des applications qui utilisent la Génération à enrichissement contextuel (RAG) pour intégrer des données externes à des modèles de langage naturel (LLM). Le flux de travail RAG comprend plusieurs processus différents, notamment la division des données, la création et le stockage des intégrations à l'aide d'une base de données vectorielle, ainsi que la récupération des informations les plus pertinentes pour une utilisation dans l'application. Vous apprendrez à maîtriser l'ensemble du processus de travail.
Développement d'applications LLM avec LangChain
Cours
terminé
