Skip to main content
Ctrl+K

DFMEA with LLMs documentation

  • Concepts Utilisés
  • Introduction Generale
  • Revue de littérature ✒️
  • Méthodologie
  • Plateforme 📱
  • Concepts Utilisés
  • Introduction Generale
  • Revue de littérature ✒️
  • Méthodologie
  • Plateforme 📱

Section Navigation

Technologies utilisée dans ce projet:

  • Finetuning 🔧
    • Compréhension de l’Affinage : Théorie et Concepts 📖
    • Affinage Pratique : Guide Pratique 🖥
      • Pretraitement des données
      • La tokenisation et le split
      • Affinage par LUDWIG
      • Evaluation 🔎
  • RAG
    • Guide Pratique pour Implémenter RAG depuis le Début
    • Retrieval-Augmented Generation (RAG) Overview in an Industrial Context
  • Web Scraping avec Python
    • C’est quoi le WebScarping ?
    • Web Scraping General Pipeline
    • Comment faire du Web Scraping avec Python : Guide étape par étape
  • Démarrer avec Gemini API🚀
  • Plus de concepts utilisés …
  • Concepts Utilisés
  • RAG

RAG#

Contents:

  • Guide Pratique pour Implémenter RAG depuis le Début
    • Introduction
    • Configuration de Votre Environnement
    • Préparation de Votre Jeu de Données
    • Sélection d’un Modèle RAG
    • Implémentation du Modèle RAG
    • Exemple de Code : Application Simple RAG
    • Ajustement Fin et Déploiement
    • Conclusion
  • Retrieval-Augmented Generation (RAG) Overview in an Industrial Context
    • Introduction to RAG
    • Importance and Benefits of RAG in Industry
    • Potential Use Cases of RAG within Companies
    • Integrating RAG with Existing Data and Systems
    • Conclusion

previous

Evaluation 🔎

next

Guide Pratique pour Implémenter RAG depuis le Début

Show Source

© Copyright 2024,GIIA,ENSAM-Meknès.

Created using Sphinx 7.2.6.

Built with the PyData Sphinx Theme 0.15.2.