Les systèmes RAG, tels que Copilot de Microsoft et Bard de Google, jouent un rôle de plus en plus crucial dans notre vie quotidienne numérique, utilisés chaque jour par des centaines de millions d'utilisateurs.

Alors que ces géants rivalisent pour la suprématie dans le domaine de l'intelligence artificielle, émerge-t-il une voie vers un système RAG open source respectueux de la confidentialité des données?

Cette présentation vise à répondre à cette question en explorant l'utilisation de la bibliothèque Langchain et d'OpenSearch, en tant que bases de données vectorielles.

Nous débuterons par une analyse rapide des fondements de l'architecture RAG. Ensuite, nous nous concentrerons sur l'implémentation, en examinant également d'autres alternatives à Langchain et OpenSearch. Enfin, nous conclurons en présentant le fonctionnement d'un système RAG entièrement open source et local au sein d'un cas d'utilisation concret.

Nous explorerons comment utiliser Elasticsearch et Hugging Face pour créer un assistant intelligent personnalisé. Nous utiliserons les modèles pour le traitement du langage naturel (NLP), les modèles open source de langage de grande taille (LLMs) et l’indexation et la recherche vectorielle. Elasticsearch, moteur de recherche avancé et base de données NoSQL, permet d'indexer et d'analyser des données de manière efficace, tandis que Hugging Face offre une plateforme collaborative pour le développement et le déploiement de modèles de machine learning open source. Cette session approfondira la manière d'intégrer ces deux technologies pour construire des assistants intelligents sur mesure. Les participants auront l'occasion d'apprendre à travers des exemples concrets et des prototypes, de comprendre les subtilités des modèles de langage naturel disponibles sur Hugging Face, de revisiter les fonctionnalités d'Elasticsearch et de découvrir comment ces outils peuvent être combinés pour créer des versions personnalisées d'assistants intelligents comme ChatGPT.