GenAI Showcase
1.0.0
¡Repositorio de casos de uso generativo de IA bienvenido al repositorio de casos de uso generativo de IA! Este recurso integral muestra aplicaciones de vanguardia en IA generativa, incluida la generación de recuperación de generación (RAG), agentes de IA y casos de uso específicos de la industria. Descubra cómo MongoDB se integra con las tuberías de RAG y los agentes de IA, sirviendo como una base de datos vectorial, una base de datos operacional y un proveedor de memoria.
Características clave:
Esta sección contiene ejemplos de casos de uso que se ven comúnmente en escenarios centrados en la industria y aplicaciones genéricas. Cada entrada en la tabla incluye una descripción y enlaces a ejemplos de nivel de producción y código relevante.
| Caso de uso | Pila | Enlace | Descripción |
|---|---|---|---|
| Chatbot de servicio al cliente | JavaScript, OpenAi, MongoDB | El marco de chatbot MongoDB proporciona bibliotecas que permiten la creación de chatbot sofisticado | |
| RRHH Support Chatbot | Langgraph.js, antrópico, Openai, MongoDB | Cree un asistente de recursos humanos con AI usando Langgraph.js y MongoDB | |
| Trip Advisor - Laravel, Openai y Atlas | PHP (Laravel), Openai, MongoDB | Apalancamiento de PHP, Laravel y OpenAi para construir motores de recomendación sufisticados | |
| Marco MongoDB AI | Componentes de pila de IA clave | El marco MAAP es un conjunto de bibliotecas que puede usar para construir su aplicación RAG usando MongoDB y Atlas Vector Search y Partners MAAP asociados | |
| MongoDB y agentes de construcción | MongoDB Atlas, Buildship bajo código, antrópico | Esta guía demuestra cómo crear un agente de IA para manejar flujos de trabajo de reserva de alquiler utilizando la plataforma sin código de construcción con agregación MongoDB e integraciones de inserción. |
| Título | Pila | Colab | Artículo |
|---|---|---|---|
| Trapo con Llama3, abrazando cara y mongodb | Cara de abrazo, Llama3, MongoDB | ||
| Cómo construir un sistema de trapo usando Claude 3 Opus y MongoDB | MongoDB, antrópico, Python | ||
| Cómo construir un sistema de trapo con la pila Polm Ai | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| MongoDB Langchain Cache Memory Python Ejemplo | Polm (Python, Openai, Langchain, MongoDB) | ||
| MongoDB Langchain Cache Memory JavaScript Ejemplo | JavaScript, OpenAi, Langchain, MongoDB | ||
| Ejemplo de implementación de trapo ingenuo | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| Ejemplo de incrustación de texto de OpenAi | Python, MongoDB, Openai | ||
| Trapo con rostro abrazante y ejemplo de MongoDB | Cara abrazada, Gemma, MongoDB | ||
| Chatear con ejemplo de PDF | Python, MongoDB, Openai, Langchain | ||
| Canal | Python, MongoDB, Gemma2, Keranlp | ||
| Tubería de trapo con modelos abiertos | Python, MongoDB, Gemma2, Cara abrazada | ||
| Asesor de cocina de MongoDB y Haystack | Python, Haystack, OpenAi | ||
| MongoDB y Semantic Kernel Movie Recomendation Bot | Aplicación de la consola C#, MongoDB, Kernel semántico, Azure Openai o OpenAi | Repositorio de Github | Ver artículo |
| Construir un gerente de activos chatbot de trapo | Cohere, MongoDB, Python | Muy pronto | |
| Asset Manager Chatbot con LLM Evals y moderación | Gemma 2B, Shieldgemma, MongoDB, Python | ||
| Search semántica lírica con MongoDB y Spring AI | Java, Spring AI, Openai, MongoDB | Repositorio de Github | |
| Flujos de trabajo de IA de terraformación: trapo con atlas MongoDB y AI de primavera | Java, Spring AI, Openai, MongoDB, Terraform | Repositorio de Github |
Un agente es una entidad computacional artificial con conciencia de su entorno. Está equipado con facultades que permiten la percepción a través de la entrada, la acción a través del uso de la herramienta y las habilidades cognitivas a través de modelos de base respaldados por memoria a largo y a corto plazo. Dentro de la IA, los agentes son entidades artificiales que pueden tomar decisiones inteligentes seguidas de acciones basadas en la percepción ambiental, habilitadas por modelos de idiomas grandes.
| Título | Pila | Enlace de colab | Enlace del artículo |
|---|---|---|---|
| Asistente de seguridad de fábrica de agentes | Langgraph, abierto ai, mongodb, langchain | ||
| Asistente de investigación de IA | Fuegos artificiales ai, mongodb, langchain | ||
| Investigador de inversiones de IA | MongoDB, Crewai y Langchain | ||
| RAGO AGENTE: Sistema de recomendación | Claude 3.5, Llamaindex, MongoDB | ||
| HR Chatbot de HR agente | Claude 3.5, Langgraph, MongoDB | Muy pronto | |
| Agente de roca madre de AWS | Claude 3, AWS Bedrock, Python, MongoDB | ||
| Asistente del gerente de activos | Langgraph, OpenAi, Anthrice, MongoDB | ||
| Implementación de la memoria de trabajo con Tavily y MongoDB | Python, Tavily, MongoDB | ||
| Asistente de comida de IA | Núcleo semántico, C#, Openai, MongoDB | Repositorio de Github | Muy pronto |
Esta carpeta contendrá todos los tutoriales tradicionales de aprendizaje automático. Incluyen explicaciones importantes, instrucciones paso a paso y todo lo que un lector necesita para tener éxito después del tutorial de principio a fin.
| Título | Enlace de colab |
|---|---|
| Escrito en las estrellas: Predice su futuro con TensorFlow y MongoDB Charts |
Estos tutoriales específicos de MongoDB están destinados a mostrar una plataforma MongoDB específica integrada con inteligencia artificial o aprendizaje automático. Estos tutoriales paso a paso permitirán al lector comprender realmente no solo la plataforma, sino también el caso de uso de la IA.
| Título | Enlace de colab |
|---|---|
| Aperol Spritz Summer con consultas geoespaciales de MongoDB y búsqueda de vectores | |
| SIP, Swig y Búsqueda con dramaturgo, OpenAi y MongoDB Atlas Search | |
| Ingerir vectores cuantificados con cohere y MongoDB | |
| Evaluación de vectores cuantificados frente a vectores no cuantizados con MongoDB |
Los talleres están diseñados para llevar a los alumnos a través del proceso paso a paso de desarrollar aplicaciones LLM. Estos talleres incluyen explicaciones esenciales, definiciones y recursos proporcionados en los cuadernos y proyectos. Cada taller está estructurado para construir un conocimiento fundamental y avanzar progresivamente a temas más complejos. Ejercicios prácticos y ejemplos del mundo real aseguran que los alumnos puedan aplicar los conceptos de manera efectiva, lo que hace que sea más fácil comprender la integración y el despliegue de aplicaciones generativas de IA.
| Título | Enlace de colab |
|---|---|
| Desarrollo de aplicaciones Pragmatic LLM: de tuberías de trapo al agente de IA | |
| Construyendo chatbots con la búsqueda de vectores de NextJS y Atlas |
Herramientas y utilidades útiles para trabajar con modelos de IA generativos:
A continuación se presentan varios conjuntos de datos con incrustaciones para su uso en POC y demostraciones de aplicaciones LLM. Se puede acceder y descargar todos los conjuntos de datos de sus respectivas páginas de abrazaderas.
| Nombre del conjunto de datos | Descripción | Enlace |
|---|---|---|
| Cosmopedia | Versión fragmentada de un subconjunto del conjunto de datos Cosmopedia de datos | |
| Cine | Películas de Western, Action y Fantasy, incluidos el título, el año de lanzamiento, el elenco y las incrustaciones de Operai para la búsqueda de vectores. | |
| Airbnb | Airbnb Listings DataSet con descripciones de propiedades, revisiones, metadatos e incrustaciones. | |
| Noticias tecnológicas | Artículos de noticias tecnológicas de 2022 y 2023 sobre valiosas empresas tecnológicas. | |
| Restaurante | Conjunto de datos de restaurantes con ubicación, cocina, calificaciones, atributos para análisis de la industria, recomendaciones y estudios geográficos. | |
| Subconjunto de documentos ARXIV | Este subconjunto ARXIV tiene incrustaciones de OpenAI 256 dimensionales para cada entrada, creadas mediante la combinación de título, autor (s) y resumen. |
El liderazgo del pensamiento en la IA no es una opción, la tomamos en serio. Es por eso que hemos seleccionado artículos y piezas creados por nuestro equipo para prepararlo y equiparse con la información adecuada para tomar decisiones clave al construir productos de IA.
| Título | Enlace |
|---|---|
| ¿Qué es una pila de IA? | |
| Cómo optimizar las aplicaciones LLM con compresión rápida utilizando LLMlingua y Langchain | |
| ¿Qué es Atlas Vector Search? | |
| Cómo elegir la estrategia de fragmentación adecuada para su aplicación LLM | |
| Cómo elegir el modelo de incrustación adecuado para su aplicación LLM | |
| Cómo evaluar su aplicación LLM |
¡Agradecemos las contribuciones! Lea nuestras pautas de contribución para obtener más información sobre cómo participar.
Este proyecto tiene licencia bajo la licencia MIT.
No dude en comunicarse con cualquier consulta o sugerencia:
