Notes de cours en ligne : DeepLearningAI - Récupération avancée pour l'IA avec Chroma

DEV - 11/01
課程簡介 Deep Learning AI 新的課程，如何優化 IR/RAG sur Chroma 。 講師是 Co-fondateur de Chroma...
titre : [Notes de cours en ligne] DeepLearningAI - Advanced Retrieval for AI with Chroma publié : false date : 2024-01-07 00:00:00 UTC tags : canonical_url : http://www.evanlin.com/advanced-retrieval-for-ai-with-chroma-note/ --- ![image-20240108172844892](http://www.evanlin.com/images/2022/image-20240108172844892.png) # Introduction au cours Un nouveau cours de Deep Learning AI, axé sur la façon d'optimiser IR/RAG sur Chroma. L'instructeur est co-fondateur de Chroma et le cours couvre les trois techniques suivantes : - Expansion des requêtes : extension des requêtes via des concepts associés. - Reclassement croisé des encodeurs : tri des résultats de requête selon différents encodages de récupération. - Formation et utilisation des adaptateurs d'intégration : optimisation des résultats de récupération en ajoutant des adaptateurs. #### Informations sur le cours : [https://learn.deeplearning.ai/advanced-retrieval-for-ai/](https://learn.deeplearning.ai/advanced-retrieval-for-ai/) ## Piège RAG Souvent, les résultats renvoyés par les requêtes RAG ne sont pas pertinents. Comment peux-tu le savoir ? Utilisation d'un package umap.
Entrer en mode plein écran Quitter le mode plein écran

importer umap importer numpy en tant que np depuis tqdm importer tqdm

embeddings = chroma_collection.get(include=['embeddings'])['embeddings'] umap_transform = umap.UMAP(random_state=0, transform_seed=0).fit(embeddings)

畫點出來

importer matplotlib.pyplot en tant que plt

plt.figure() plt.scatter(projected_dataset_embeddings[:, 0], projected_dataset_embeddings[:, 1], s=10) plt.gca().set_aspect('equal',...
[Courte citation de 8% de l'article original]