Programme de Formation
10
module(s)
Durée totale : 1080
Construire des systèmes RAG complets — embeddings, chunking, FAISS, Qdrant, hybrid search, re-ranking et évaluation Ragas. 10 leçons pour connecter un LLM à vos données.
Module 1 : Pourquoi RAG : les limites des LLMs en contexte seul
60
Comprendre pourquoi un LLM seul hallucine sur vos données internes et cartographier l'architecture RAG qui résout ce problème sans réentraînement.
Module 2 : Embeddings : représenter sémantiquement un texte
90
Comprendre ce qu'est un embedding, comment il capture le sens d'un texte, et pourquoi la similarité cosinus entre deux vecteurs devient une mesure de proximité sémantique.
Module 3 : sentence-transformers : le standard en pratique
90
Installer sentence-transformers, choisir un modèle adapté à sa langue et son budget, encoder un corpus et mesurer les gains entre modèles open-source et propriétaires.
Module 4 : Chunking : découper un corpus intelligemment
90
Comparer les stratégies de chunking (fixe, récursif, sémantique, hiérarchique), choisir la bonne taille et implémenter un découpeur robuste adapté à vos documents.
Module 5 : FAISS : l'index vectoriel simple et rapide
120
Installer FAISS, construire un index plat puis un index IVF pour millions de vecteurs, requêter par similarité et benchmarker les compromis vitesse/précision.
Module 6 : Bases vectorielles pro : Chroma, Qdrant, Pinecone
120
Comparer Chroma, Qdrant et Pinecone, déployer Qdrant en local avec filtres et métadonnées, et choisir sa base vectorielle selon les contraintes du projet.
Module 7 : Hybrid search et re-ranking
120
Combiner recherche dense (embeddings) et sparse (BM25) en hybrid search, puis affiner le top-k avec un re-ranker cross-encoder pour gagner plusieurs points de pertinence.
Module 8 : LangChain et LlamaIndex : frameworks RAG
120
Construire un pipeline RAG complet avec LangChain (chunking, vector store, retrieval, chain), le comparer à LlamaIndex et choisir le framework adapté à son projet.
Module 9 : Évaluation RAG avec Ragas
90
Installer Ragas, mesurer faithfulness, answer relevance et context recall sur un RAG, constituer un jeu d'évaluation et itérer sur les résultats.
Module 10 : TP — assistant RAG sur documentation custom
180
Construire un RAG complet de bout en bout : ingestion d'une documentation custom, chunking, Qdrant, hybrid search, re-ranking LangChain, évaluation Ragas et itération.
Commentaires
0 commentaire
Aucun commentaire pour le moment
Soyez le premier à partager votre avis !
Se connecter pour commenter