温馨提示：本站仅提供公开网络链接索引服务，不存储、不篡改任何第三方内容，所有内容版权归原作者所有
AI智能索引来源：http://www.ibm.com/fr-fr/think/tutorials/build-multimodal-rag-langchain-with-docling-granite
点击访问原文链接

Créer un système RAG multimodal alimenté par l’IA avec Docling et Granite | IBM

进入原网站 导航首页
BienvenueAperçuTypes de machine learningAlgorithmes de machine learningMachine learning statistiqueAlgèbre linéaire pour le machine learningQuantification de l’incertitudeCompromis biais-varianceAperçuSélection des caractéristiquesExtraction de caractéristiquesPlongement vectorielEspace latentAnalyse en composantes principalesAnalyse discriminante linéaireSuréchantillonnageSous-échantillonnageDonnées synthétiquesFuite de donnéesAperçuRégression linéaireRégression lassoRégression de crêteModèle d’espace d’étatSéries temporellesModèle autorégressifAperçuArbres de décisionK plus proches voisins (KNN)Naïve bayésienneForêt d’arbres décisionnelsMachine à vecteurs de supportRégression logistiqueAperçuBoostingBaggingBoosting de gradientClassificateur de boosting de gradientAperçuApprentissage par transfertAperçuAperçuClustering k-meansClustering hiérarchiqueAlgorithme a prioriModèle de mélange gaussienDétection des anomaliesAperçuFiltrage collaboratifFiltrage basé sur le contenuAperçuApprentissage par renforcement à partir des commentaires humainsAperçuAperçuRétropropagationModèles d’encodeur-décodeurRéseaux de neurones récurrentsRéseaux de neurones convolutifsAperçuMécanisme d’attentionAttention de requête groupéeCodage positionnelAuto-encodeurModèle MambaRéseau de neurones graphiqueAperçuModèle génératifIA générative et IA prédictiveAperçuModèles de raisonnementPetits modèles de langageRéglage des instructionsParamètres des LLMTempérature des LLMBenchmarks de LLMPersonnalisation des LLMModèles de diffusionAuto-encodeurs variationnels (VAE)Réseaux antagonistes génératifs (GAN)AperçuModèles de langage visuelTutoriel : Créer un styliste d’IATutoriel : Requêtes d’IA multimodale avec LlamaTutoriel : Requêtes d’IA multimodale avec PixtralTutoriel : Transcription de podcast automatique avec GraniteTutoriel : Système de réponse d’analyse d’image d’IA PPTAperçuGraphRAGTutoriel : Créer un système RAG multimodal avec Docling et GraniteTutoriel : Évaluer le pipeline RAG à l’aide de RagasTutoriel : Stratégies de segmentation RAGTutoriel : La méthode Graph RAG à l’aide de graphes de connaissancesTutoriel : Mise à l’échelle de l’inférence pour améliorer la RAG multimodaleAperçuCodage de VibeConsulter le guide des agents d’IA à l’horizon 2025AperçuFonction de perteDonnées d’entraînementParamètres du modèleDescente de gradientDescente de gradient stochastiqueRéglage des hyperparamètresTaux d'apprentissageAperçuRéglage fin efficace en paramètres (PEFT)LoRATutoriel : Affiner le modèle Granite avec LoRARégularisationModèles de fondationSurajustementSous-ajustementApprentissage few-shotApprentissage zero-shotDistillation des connaissancesMéta-apprentissageAugmentation des donnéesOubli catastrophiqueAperçuScikit-LearnXGBoostPyTorchAperçuCycle de vie de l’IAInférence IADéploiement de modèlePipeline de machine learningÉtiquetage des donnéesGestion des risques liés aux modèlesDérive de modèleAutoMLSélection du modèleApprentissage fédéréMachine learning distribuéPile d’IAAperçuCompréhension du langage naturelAperçuAnalyse des sentimentsTraduction automatiqueAperçuRecherche d’informationExtraction d’informationsModélisation thématiqueAnalyse sémantique latenteAllocation de Dirichlet latenteReconnaissance des entités nomméesProlongements lexicauxSac de motsRecherche intelligenteReconnaissance vocaleRacinisation et lemmatisationSynthèse de texteIA conversationnelleAnalyse conversationnelleGénération automatique de texte en langage naturelAperçuClassification des imagesDétection d’objetsSegmentation d’instancesSegmentation sémantiqueReconnaissance optique de caractèresReconnaissance d’imagesInspection visuelleBJ HargraveErika RussiDoclingIBM Granite Visiondes embeddingsd’IA générativeReplicateHugging FaceLa génération augmentée par récupérationréglage finmultimodauxDoclingGraniteLangChainGitHub Granite Snack Cookbookmodèles d’embeddings Granitecette recette de modèle d’embeddingsibm-granitePremiers pas avec Replicaterecette du composant LLMrecette du composant LLMDoclingrecette de base de données vectorielleeBook Libérez la puissance de l’IA générative et du ML Découvrez comment intégrer en toute confiance l’IA générative et le machine learning dans votre entreprise. Lire l’eBookTutoriel IBM Developer : tutoriels RAG Découvrir tous les tutoriels d'IBM sur la génération augmentée de récupération (RAG). Commencez à vous formerPodcast Techsplainers Explication de la génération augmentée de récupération (RAG) Techsplainers d'IBM explique l'essentiel de RAG, des concepts clés aux cas d'utilisation concrets. Des épisodes clairs et rapides vous permettent d'apprendre rapidement les principes fondamentaux. Écouter maintenantBlog Livre de recettes IBM RAG Découvrez une collection complète de bonnes pratiques, de considérations et de conseils pour la création de solutions RAG adaptées aux applications métier. Lire le blogArticle IBM Developer : Articles RAG Découvrir tous les articles IBM sur la génération augmentée de récupération (RAG). DémarrerTutoriel Créer un agent RAG pour répondre aux questions complexes Utilisez Python, LangGraph, watsonx.ai ® , Elasticsearch et Tavily vont créer un système d'IA agentique modulaire et personnalisé. Commencez à vous formerTutoriel Démarrage rapide : créer des prompts pour un modèle de fondation grâce au schéma de génération augmentée par récupération Apprenez à utiliser les modèles de fondation dans IBM watsonx.ai pour générer des résultats factuellement exacts, fondés sur des informations d’une base de connaissances, en appliquant le cadre de génération augmentée par récupération. Commencez à vous formerDécouvrir watsonx.aiDécouvrir les solutions d’IADécouvrir les services d’IADécouvrir watsonx.aiRéserver une démo en direct

智能索引记录