Dans ce module, vous concevrez et mettrez en œuvre la couche d'extraction d'un système RAG multimodal utilisant des données textuelles structurées de restaurants et des images d'aliments. Vous construirez des index vectoriels multimodaux, générerez des encastrements de textes et d'images, et construirez des flux de travail de recherche qui combinent la recherche de similarité avec le filtrage des métadonnées. Vous mettrez également en œuvre des techniques de fusion tardive pour combiner et reclasser les résultats à travers les modalités, améliorant ainsi la pertinence des résultats récupérés. Le module suit un pipeline de recherche étape par étape, de la construction de l'index à la recherche hybride et au classement multimodal, en mettant l'accent sur la conception pratique plutôt que sur les caractéristiques spécifiques de l'outil.

Dans ce module, vous concevrez et mettrez en œuvre un système de recommandation multi-agents. Vous définirez des agents spécialisés avec des rôles, des objectifs, des histoires et des tâches clairs, et les intégrerez dans un flux de travail multi-agents coordonné. Vous testerez ensuite comment de multiples agents collaborent pour générer des recommandations de restaurants et de recettes à partir d'une seule entrée utilisateur. Enfin, vous construirez une interface de chatbot interactive en utilisant Gradio pour exposer le système. Le chatbot traitera les requêtes de l'utilisateur, affichera les résultats coordonnés des agents et prendra en charge la fonctionnalité d'édition de base de données au sein de l'interface.

Dans ce module, vous organiserez les outils d'agent, les bases de données et les documents au sein d'un serveur MCP. Vous construirez ensuite un client MCP et un hôte MCP basé sur le LLM qui communiquent avec le serveur et valideront le système par des tests. Vous concevrez et mettrez également en œuvre un hôte MCP alimenté par le LLM avec une interface graphique, permettant au LLM d'accéder aux outils et aux documents exposés au serveur. Ce module rassemble les composants construits précédemment dans un système unifié basé sur le MCP et valide l'exécution de l'outil de bout en bout par le biais d'une application basée sur l'interface graphique.

Dans ce module, vous terminerez votre projet de synthèse en IA en soumettant des captures d'écran des tâches effectuées dans les laboratoires précédents. Vous organiserez et présenterez ces artefacts pour démontrer clairement comment vous avez conçu, construit et intégré des données structurées, des systèmes RAG multimodaux et des flux de travail multi-agents en utilisant LangChain, LangGraph et MCP. Cette présentation servira d'évaluation finale grâce à un système de notation basé sur l'IA et fournira une vitrine de votre solution d'IA générative de bout en bout, prête à être présentée dans un portfolio.