Dans ce module, nous vous guiderons dans la mise en place d'un environnement de développement robuste, y compris la création et la configuration de votre compte OpenAI. Vous apprendrez comment acquérir et utiliser efficacement votre clé API, en vous assurant d'avoir les bases techniques pour construire et expérimenter des systèmes RAG.

Dans ce module, nous allons plonger profondément dans le monde des graphes de connaissances, en explorant leur définition, leurs principes de base et leurs composants clés. Vous aurez un aperçu de leur structure, apprendrez comment ils sont construits et découvrirez leurs applications dans des scénarios d'IA du monde réel. Ces connaissances fondamentales sont essentielles pour maîtriser les systèmes RAG.

Dans ce module, nous allons fournir une expérience pratique avec Neo4j, une plateforme de base de données graphique de premier plan. Vous commencerez par les principes fondamentaux et apprendrez progressivement à configurer un environnement Neo4j, à construire des graphes de connaissances de manière programmatique et à exécuter des requêtes pour explorer les entités et les relations. A la fin, vous aurez des compétences pratiques dans la création et l'interrogation des graphes de connaissances en utilisant Neo4j.

Dans ce module, nous allons combler le fossé entre les graphes de connaissances et les systèmes RAG, en fournissant une vue d'ensemble de leur synergie. Vous vous engagerez dans des tâches pratiques, notamment l'extraction de données à partir de fichiers CSV pour construire des graphes de connaissances, leur visualisation en cours d'utilisation de Neo4j Browser, et l'exploitation des wrappers LangChain pour des requêtes avancées. Ce module vous permet d'acquérir les compétences nécessaires pour créer et interroger des graphes de connaissances dans le contexte des systèmes IA.

Dans ce module, nous nous concentrerons sur l'intégration des embeddings vectoriels avec les graphes de connaissance, un composant critique des systèmes RAG. Vous apprendrez à créer des index vectoriels, à les remplir avec des embeddings et à les interroger en même temps que votre graphe de connaissances. Cette combinaison améliore les capacités d'extraction et la fonctionnalité des systèmes RAG pour les applications IA avancées.

Dans ce module, nous vous guiderons à travers le processus de construction d'un système RAG complet utilisant un graphe de connaissances, avec un projet pratique centré sur l'Empire romain. Vous allez mettre en place le projet, extraire et visualiser les données du graphique, créer des index et des extracteurs, et enfin définir un flux de travail GraphRAG complet. À la fin de ce module, vous aurez une compréhension complète de la façon de créer un système RAG de bout en bout alimenté par les graphes de connaissance.

Dans ce module, nous conclurons le cours en revisitant les sujets et les réalisations de base, en veillant à ce que vous ayez une compréhension claire de vos progrès. Vous recevrez également des conseils sur les prochaines étapes pour approfondir votre expertise et explorer les applications avancées des graphes de connaissances et des systèmes RAG.