Dans ce tutoriel, je vais vous montrer comment créer une application backend en utilisant le modèle de langue (LLM) d'Azure Openai et vous présenter les nouveautés avec le LLM de Deepseek. C'est plus simple que cela ne semble!
Remarques importantes :
J'utiliserai le service Azure OpenAI Cloud comme exemple. Cependant, les étapes et conseils s'appliquent à tout fournisseur de cloud que vous utilisez.
La différence entre OpenAI et DeepSeek ne réside pas dans la configuration, mais dans les performances, alors n'hésitez pas à remplacer « DeepSeek » chaque fois que vous voyez « OpenAI » dans cette entrée de blog.
1. Texte d'extrait et divisé: le document (par exemple, les fichiers PDF ou Excel) est divisé en petits morceaux de données.
2. Chunk de données: ces morceaux contiennent des parties du texte du document, prête à intégrer.
3. Représentation vectorielle: un modèle d'intégration traite chaque morceau de données, les convertissant en représentations vectorielles.
4. Incorporation du vecteur de données: les morceaux de données sont transformés en intégres (vecteurs numériques) qui représentent le contenu.
5. Index & Save: Les intégres sont stockés dans une base de données vectorielle (magasin vectoriel) pour la récupération ultérieure.
1. Requête utilisateur : un utilisateur soumet une requête au système. Les principaux paramètres du corps de la requête à prendre en compte sont : Max Tokens, Temperature, Top_K
2. Incorporation de vecteur de requête : le modèle d'intégration convertit la requête de l'utilisateur en un vecteur d'intégration.
3. Vérification de la similitude: le vecteur de requête est comparé aux intérêts des vecteurs de données stockés pour trouver un contenu similaire.
4. Récupération : le système récupère les morceaux de document les plus pertinents sur la base du contrôle de similarité.
5. Morceaux de documents pertinents : les morceaux de données pertinents récupérés sont préparés pour un traitement ultérieur.
6. Invite : le système combine la requête de l'utilisateur et les morceaux de document pertinents.
7. Modèle multimodal: un modèle multimodal (comme Chatgpt) traite les informations combinées.
8. Réponse : La réponse finale est générée au format JSON et présentée à l'utilisateur.
Pour ce tutoriel, les outils et informations suivants seront utilisés:
Cette étape implique le traitement et le stockage de s...
[Courte citation de 8% de l'article original]