Développement d'applications LangChain

Guide pratique pour créer des applications AI avec LangChain

Programmation IA et Apprentissage Automatique4.6(59)3h 33min18 leçons2 sections

Ce que vous apprendrez

  • Comprendre les bases de l'API OpenAI et son usage avancé
  • Créer des modèles LangChain avec OpenAI et Gemini
  • Concevoir des Prompt Templates
  • Utiliser le Few-Shot Learning
  • Structurer les sorties avec l'Output Parsing
  • Construire des chaînes LangChain
  • Ajouter de la mémoire aux applications
  • Utiliser Hugging Face avec LangChain
  • Résumer des vidéos YouTube avec des modèles de langage

À propos du cours

Ce cours enseigne le développement d'applications LangChain, c'est-à-dire la création d'applications d'intelligence artificielle fondées sur les grands modèles de langage (LLM). Il commence par une introduction, puis les bases de l'API OpenAI et ses méthodes avancées, suivies des modèles LangChain avec OpenAI et avec Gemini. Ensuite, vous apprenez les Prompt Templates, le Few-Shot Learning, l'Output Parsing, les chaînes LangChain, et la mémoire dans LangChain en deux parties. Le cours passe à Hugging Face : une introduction, son utilisation avec LangChain, ses modèles et son intégration avec LangChain. Il comprend aussi un projet de résumé de vidéos YouTube en deux parties, puis les projets utilisés dans le cours. Il convient aux développeurs et aux personnes intéressées par les applications d'IA, et des connaissances de base en langage Python sont préférables. À la fin, vous saurez créer une application simple qui relie les modèles de langage à des outils, structurer ses sorties, lui ajouter de la mémoire et utiliser des modèles Hugging Face dans votre propre projet.

Résultats attendus

  • Capacité à créer des applications d'IA pratiques avec LangChain.
  • Mettre en œuvre des projets réels basés sur des LLMs de la conception au déploiement.
  • Utiliser HuggingFace avec LangChain dans des applications réelles.
  • Analyser et organiser les sorties à l'aide de techniques de parsing.

Avis des apprenants

Ces avis proviennent d'apprenants qui ont acheté le contenu et en ont complété au moins 50% — il n'y a aucun avis de personnes n'ayant pas suivi le contenu.
4.6
★★★★★
59 avis
5★
37
4★
21
3★
1
2★
0
1★
0

    Contenu du cours

    1

    Développement d'applications LangChain

    17 leçons
    1. Introduction au coursPrésente le plan du cours LangChain : comprendre les Large Language Models, l'API OpenAI et le coût des requêtes, puis le Prompt Engineering, les Output Parsers, les Chains et les types de Memory, et enfin l'usage de Hugging Face et son intégration à LangChain.2:59
    2. Bases de l'API OpenAIExplique comment installer la bibliothèque OpenAI, créer un client avec une clé API, envoyer un message avec les rôles system et user, comprendre la tarification par tokens et extraire la réponse du modèle.10:57
    3. API OpenAI avancéeRegroupe l'appel à l'API OpenAI dans une seule fonction qui prend le message utilisateur, le message system, le modèle, la température et le maximum de tokens, puis la teste avec des consignes qui changent le dialecte de la réponse.12:18
    4. Modèles LangChain utilisant OpenAIMontre comment utiliser les modèles OpenAI via LangChain : installation, réglage de la température, modèle de prompt qui réécrit un email de réclamation dans un style donné, lecture des métadonnées de tokens et streaming mot par mot.12:19
    5. Modèles LangChain utilisant GeminiExplique comment utiliser les modèles Gemini de Google dans LangChain : installation de langchain-google-genai, obtention d'une clé API, réexécution du même modèle d'email et comparaison de la qualité avec un modèle plus puissant.9:26
    6. Modèles de promptsExplique les prompt templates de LangChain : définir un modèle avec des variables d'entrée comme le style et le texte de l'email, puis les remplir avec format pour obtenir le message final et l'envoyer au modèle.9:36
    7. Apprentissage par exemples (Few‑Shot Learning)Explique le few-shot learning : donner des exemples au modèle, comme un pays et sa capitale, pour qu'il apprenne le format voulu, puis construire un FewShotPromptTemplate avec les exemples, un modèle de base et un suffixe pour un nouveau pays.14:26
    8. Analyse des sortiesExplique l'Output Parsing : définir un ResponseSchema pour indiquer les champs à extraire d'un avis client, comme le cadeau, le délai de livraison et le prix, afin d'obtenir une sortie JSON ou un dictionnaire.16:00
    9. Chaînes LangChainExplique les chaînes LangChain : une chaîne de base reliant le modèle à un prompt pour proposer un nom de produit, puis des chaînes séquentielles qui transmettent la sortie de chaque étape à la suivante, avec des sorties nommées.14:27
    10. Mémoire dans LangChain (Partie Un)Explique pourquoi le modèle ne se souvient pas des messages précédents, puis utilise ConversationChain avec ConversationBufferMemory pour garder toute la conversation, et ConversationBufferWindowMemory pour ne retenir que les derniers messages.14:32
    11. Mémoire dans LangChain (Partie Deux)Explique deux types de mémoire LangChain : ConversationTokenBufferMemory, qui garde la conversation jusqu'à une limite de tokens, et ConversationSummaryMemory, qui stocke un résumé mis à jour à chaque nouveau message.7:47
    12. Introduction à Hugging FacePrésente la plateforme open source Hugging Face et ses modèles gratuits basés sur les Transformers, et teste dans Google Colab des tâches pipeline comme la génération de texte avec GPT-2 et la classification pour le sentiment et la grammaire.16:00
    13. Utilisation de Hugging Face avec LangChainApplique des tâches séquence à séquence avec les pipelines Hugging Face, comme traduire un texte de l'arabe vers une autre langue et générer une question à partir d'un contexte, en ajustant des paramètres comme la longueur maximale.13:41
    14. Modèles Hugging FaceExplique comment charger séparément le modèle et le tokenizer dans Hugging Face au lieu d'un pipeline, convertir le texte en tokens, les passer au modèle, puis décoder la sortie en texte lisible.15:15
    15. Résumé des vidéos YouTube (Partie Un)Construit la première partie d'un résumeur de vidéos YouTube : extraire l'identifiant de la vidéo depuis le lien, récupérer la transcription avec youtube-transcript-api et assembler les segments en un seul texte.20:16
    16. Résumé des vidéos YouTube (Partie Deux)Termine le résumeur YouTube en découpant la longue transcription en morceaux de taille fixe, en résumant chaque morceau avec un modèle de summarization, puis en assemblant les résumés pour exécuter tout le flux, du lien au résumé.15:41
    17. Intégration de Hugging Face avec LangChainExplique l'intégration des modèles Hugging Face dans LangChain : chargement d'un modèle léger d'Alibaba, encapsulation en pipeline de génération avec maximum de tokens et température, puis liaison à un prompt dans une chaîne pour écrire une recette.7:48
    2

    Accessoires

    1 pièces jointes
    1. Projets utilisés dans le cours

    Formateur

    Ing. Ziad Ahmed

    Ing. Ziad Ahmed

    Ingénieur et scientifique des données spécialisé dans les modèles de langage. Expert en traitement du langage naturel, automatisation et analyse de données.
    19.8K vues3 cours

    Cours similaires