Modèles de langage, automatisation, apprentissage automatique, texte, images et audio : explications, guides et conseils pratiques.
Découvrez des approches, choisissez des modèles et évaluez les résultats. Cette rubrique traite du contexte, de la fiabilité des réponses, de l’automatisation et de différents types de données. La recherche et le RAG constituent un des axes. Les séries temporelles et la prévision figurent dans les mathématiques et les modèles.
Un guide pour configurer une recherche multimodale dans Azure AI Search en utilisant la vectorisation de texte et d'images. Décrit les étapes de création d'un index, du choix des modèles (par exemple CLIP), des méthodes de génération d'embeddings et de l'exécution de requêtes hybrides afin d'améliorer la pertinence.
Explorez les principes de la recherche sémantique, sa dépendance aux plongements (embeddings) et les raisons pour lesquelles un texte qui semble similaire peut ne pas fournir la réponse souhaitée. Découvrez la recherche vectorielle, la recherche hybride et leurs applications dans la récupération d'informations.
Apprenez à évaluer efficacement la précision et le rappel des modèles d'IA, en particulier lorsque vous travaillez avec de petits jeux de données de questions. Ce guide couvre les concepts, les méthodes de calcul et les considérations pratiques à l'aide de scikit-learn.
Guide étape par étape pour créer un index, générer des embeddings et exécuter des requêtes hybrides qui combinent recherche textuelle et recherche vectorielle à l'aide d'Azure AI Search.
Cet article explique comment sélectionner efficacement les limites de segmentation et le chevauchement dans les systèmes RAG, en comparant les stratégies basées sur la taille fixe et la segmentation sensible à la structure du document. À travers un exemple hypothétique, il met en évidence les risques liés à la division des unités sémantiques et montre comment l'utilisation de métadonnées et de chevauchements peut préserver le contexte.
Un identifiant de citation prouve seulement qu'une source a été récupérée, pas qu'elle soutient l'affirmation. Cet article explique comment décomposer les réponses, localiser les passages justificatifs et séparer les vérifications de récupération des vérifications de fondement.
Comparez trois calculs de similarité sur de petits vecteurs et voyez quand la normalisation change le classement.
Un guide technique expliquant pourquoi un JSON syntaxiquement correct provenant des grands modèles de langage (LLM) est insuffisant pour les systèmes de production et comment le JSON Schema fournit les garanties structurelles et de type nécessaires.
Relier un modèle de langage aux documents sans confondre citation et preuve.