Tutoriel publié le 26/08/2024. Les outils et leurs interfaces peuvent avoir évolué. Cet exemple pédagogique ne constitue pas une réalisation client ni une garantie de résultat.
Description
HR Manual Chatbot est un chatbot est conçu pour servir d'assistant RH. Il est basé sur un manuel de gestion des ressources humaines, rédigé par la CHS Alliance et Radhika Bhagat de Manifest (UK) Ltd. Cette application est conçue pour adresser les questions des utilisateurs à travers les informations contenues dans le fichier 'HR Manual.pdf'. Pour ce scénario, nous avons utilisé l’outil no-code Flowise et l’API de Mistral Flowise est un outil open source sans code permettant aux développeurs de construire des flux d'orchestration pour modèles de langage et des agents IA personnalisés. Il représente simplement la version sans code de Langchain Dans Flowise, les nœuds sont appelés des intégrations. À la manière des LEGO, vous pouvez construire un flux d'orchestration LLM personnalisé, un chatbot, un agent avec toutes les intégrations disponibles dans Flowise.Technologies Utilisées
Outils No-Code : Flowise Modèles de traitement de langage : Mistralcomment ça marche ?
Installation Flowise :
C’est quoi la technique RAG ? :
Nous avons utilisé la technique RAG , qui signifie "Retrieval-Augmented Generation," est une technique dans le domaine de l'IA qui combine la recherche d'informations et la génération de texte. Le modèle RAG fonctionne en recherchant d'abord des passages pertinents à partir d'une base de données de documents en réponse à une requête. Ensuite, il utilise ces passages pour générer une réponse textuelle en se basant sur l'information récupérée. Cette approche est particulièrement utile pour générer des réponses informatives et précises, en s'appuyant sur des sources de données existantes pour améliorer la qualité et la pertinence des réponses produites par le modèle. Cela se fait en deux étapes :Indexation
- Chargement : D'abord, nous devons charger nos données. Cela se fait avec des DocumentLoaders.
- Division : Les Text splitters divisent les grands Documents en morceaux plus petits. Cela est utile à la fois pour l'indexation des données et pour les envoyer dans un modèle, car les gros morceaux sont plus difficiles à rechercher et ne rentrent pas dans la fenêtre de contexte finie d’un modèle.
- Indexation ou embedding : transforme des mots, des phrases ou même des documents entiers en vecteurs de nombres. Chaque vecteur capte une partie du sens du mot ou du texte qu'il représente, permettant ainsi de réaliser des calculs et des comparaisons entre eux.
- Stockage : Nous avons besoin d’un endroit pour stocker et indexer nos divisions, afin qu'elles puissent être recherchées plus tard. Cela se fait souvent à l'aide d’un VectorStore.
Récupération et génération
- Récupération : Étant donné une entrée utilisateur, les divisions pertinentes sont récupérées du stockage à l'aide d’un Retriever.
- Génération : Un ChatModel / LLM produit une réponse en utilisant une invite qui inclut la question et les données récupérées.
Voir Vidéo utilisation FLowise :
Ce dont vous aurez besoin
| API Mistral | https://console.mistral.ai/api-keys/ |
|---|
