Vector Databases et Retrieval-Augmented Generation
Partie du cours Prompt Engineering
À la leçon 2, vous avez vu pourquoi un modèle hallucine : il prédit les tokens les plus probables, il ne va vérifier aucun fait, et tout ce qui échappe à son entraînement ou à sa fenêtre de contexte relève de la devinette. À la leçon 5, vous avez appris à remplir un modèle de prompt avec des données avant de l'envoyer.
Un modèle ne connaît que deux choses : ce qu'il a absorbé pendant son entraînement, et ce que vous mettez dans le prompt à l'instant même. Il ne voit pas le wiki de votre entreprise, ni les tickets de support de la semaine dernière, ni un PDF posé sur votre disque. Interrogez-le sur l'un de ces sujets et il produira un texte fluide, assuré et faux. C'est le problème d'hallucination de la leçon 2.
Envie d’apprendre Prompt Engineering Vector Databases et Retrieval-Augmented Generation dans un vrai environnement ?
Cliquez ci-dessous, obtenez une machine Linux avec Prompt Engineering prêt, et travaillez sur Vector Databases et Retrieval-Augmented Generation avec un tuteur IA qui connaît votre code.
Commencer cette leçonVector Databases et Retrieval-Augmented GenerationCe que vous allez apprendre
- Embeddings and vector similarity
- Chunking documents
- Vector databases and nearest-neighbor search
- Retrieval-augmented generation
- Grounding answers with citations