Lire une référence et un montant sur une image avec l’IA
Apprenez à faire lire à votre programme une référence et un montant dans une image, puis à comparer le texte trouvé avec une réponse connue avant de l’utiliser dans votre application.
Intelligence artificielle appliquéeBlog du Laboratoire
Blog du Lab IA : expérimentations et architectures
Guides, expérimentations et analyses PartITech sur les LLM, le RAG, la recherche vectorielle et l’intégration de l’intelligence artificielle.
Publications du Lab
Retours d’expérience, guides et analyses techniques
Nos articles documentent des expérimentations et des choix d’architecture autour des LLM, du RAG, de la recherche vectorielle et de l’intégration de l’IA dans les applications web. Ils précisent le contexte et les limites afin de rester utiles au-delà d’une démonstration.
À explorer
Les tutoriels du Lab
56 tutoriels
Q4 ou Q8 : choisir une version de modèle pour produire le bon JSON
Découvrez comment comparer deux versions compactes d’un même modèle local quand votre application attend une référence, une quantité et une catégorie dans un JSON réellement exploitable.
Créer un assistant stock qui consulte la bonne donnée
Construisez un assistant local qui répond à une question de stock en consultant un catalogue, tout en gardant la décision d’accès et la lecture des données dans votre programme Python.
Système RAG avec txtai — partie 3 : cas pratique
Dans cette dernière partie, nous aborderons comment créer un système RAG complet avec TxtAi. Ainsi, notamment par le biais de cas pratiques, vous découvrirez la mise en place d'un dialogue enrichi de données propres, améliorant la documentation d'entreprise.
Système RAG avec txtai — partie 2 : base de données et indexation vectorielle
Dans cet article, nous explorons l'utilisation de bases de données pour stockage de connaissances avec TxtAi et discutons des technologies d'index vectoriel telles que Elasticsearch, Faiss, Milvus, Pinecone, Weaviate, Annoy, HNSW et Postgresql avec pgvector.
Système RAG avec txtai — partie 1 : génération augmentée par recherche
Découvrez le monde des "Retrieval-Augmented Generation" (RAG) - une fusion révolutionnaire de la récupération d'informations et de la génération de langage dans le traitement du langage naturel. Explorez les composantes clés, les défis et les opportunités de cette technologie, et suivez un guide pratique pour implémenter un système RAG en utilisant TxtAi et Llama.cpp.
llama.cpp : exécuter un LLM localement
Llama CPP est un nouvel outil conçu pour exécuter des modèles de langage, directement en C/C++. Cet outil est spécialement optimisé pour les processeurs Apple Silicon grâce à l'utilisation de la technologie ARM NEON et du framework Accelerate. Il offre également une compatibilité AVX2 pour les systèmes basés sur des architectures x86. Fonctionnant principalement sur le CPU, Llama CPP intègre aussi la capacité de quantification 4 bits, renforçant ainsi son efficacité.
Introduction à txtai : simplifier l’usage des LLM pour les développeurs
Dans l’univers en constante évolution de l’intelligence artificielle et du traitement du langage naturel, txtai émerge comme un outil révolutionnaire, surtout pour ceux qui plongent dans le monde des modèles de langage à grande échelle (LLMs). Imaginez un pont entre vous et un éventail de LLMs puissants, où txtai joue le rôle d’intermédiaire facilitant, simplifiant et amplifiant vos interactions avec ces technologies complexes.
Votre prochain produit
Donnons une base solide à votre ambition.
Parlez-nous de votre contexte, de vos contraintes et du résultat attendu. Nous vous répondrons avec une première lecture technique concrète.
Échanger avec un expert