GenAI Showcase
1.0.0
Référentiel de cas d'utilisation Génératif AI Bienvenue dans le référentiel de cas d'utilisation AI génératif! Cette ressource complète présente des applications de pointe dans l'IA générative, y compris la génération (RAG) (RAG), les agents d'IA et les cas d'utilisation spécifiques à l'industrie. Découvrez comment MongoDB s'intègre aux pipelines de chiffon et aux agents de l'IA, servant de base de données vectorielle, de base de données opérationnelle et de fournisseur de mémoire.
Caractéristiques clés:
Cette section contient des exemples de cas d'utilisation qui sont couramment observés dans les scénarios axés sur l'industrie et les applications génériques. Chaque entrée du tableau comprend une description et des liens vers des exemples au niveau de la production et un code pertinent.
| Cas d'utilisation | Empiler | Lien | Description |
|---|---|---|---|
| Chatbot de support client | Javascript, openai, mongodb | Le cadre de chatbot MongoDB fournit des bibliothèques qui permettent la création d'un chatbot sophistiqué | |
| CHATBOT SUPPORT RH | Langgraph.js, anthropic, openai, mongodb | Créez un assistant HR alimenté par AI à l'aide de Langgraph.js et MongoDB | |
| Conseiller de voyage - Laravel, Openai et Atlas | PHP (Laravel), Openai, MongoDB | Tirez parti de PHP, Laravel et Openai pour construire des moteurs de recommandation supphistique | |
| Framework MongoDB AI | Composants de la pile AI clé | Le framework MAAP est un ensemble de bibliothèques que vous pouvez utiliser pour créer votre application de chiffon à l'aide de la recherche vectorielle MongoDB et Atlas et des partenaires MAAP associés | |
| MongoDB et agents de construction | MongoDB Atlas, Buildhiping Low-Code, anthropique | Ce guide montre comment créer un agent d'IA pour gérer les workflows de réservation de location en utilisant la plate-forme sans code de BuildShip avec l'agrégation MongoDB et l'insertion d'intégations. |
| Titre | Empiler | Colab | Article |
|---|---|---|---|
| Rag avec Llama3, étreint le visage et MongoDB | Face étreinte, llama3, mongodb | ||
| Comment construire un système de chiffon à l'aide de Claude 3 Opus et MongoDB | MongoDB, anthropique, python | ||
| Comment construire un système de chiffon avec la pile Polm AI | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| MongoDB Langchain Cache Memory Python Exemple | Polm (Python, Openai, Langchain, MongoDB) | ||
| MongoDB Langchain Cache Memory JavaScript Exemple | JavaScript, Openai, Langchain, MongoDB | ||
| Exemple de mise en œuvre du chiffon naïf | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| Exemple d'intégration du texte Openai | Python, MongoDB, Openai | ||
| Rag avec un visage étreint et un exemple de mongodb | Visage étreint, Gemma, MongoDB | ||
| Discuter avec l'exemple PDF | Python, Mongodb, Openai, Langchain | ||
| Pipeline de chiffons | Python, MongoDB, Gemma2, Keranlp | ||
| Pipeline de chiffon avec des modèles ouverts | Python, MongoDB, Gemma2, Face étreint | ||
| Conseiller en cuisine de MongoDB et de foin | Python, back de foin, openai | ||
| MongoDB et Recommandation de film de noyau sémantique | C # Application Console, MongoDB, noyau sémantique, Azure Openai ou Openai | GitHub Repo | Voir l'article |
| Construisez un chat-manager des actifs Chatbot | Cohere, mongodb, python | À venir | |
| Chatbot du gestionnaire d'actifs avec LLM Evals et modération | GEMMA 2B, SHIELDGEMMA, MONGODB, PYTHON | ||
| Recherche sémantique lyrique avec MongoDB et Spring AI | Java, Spring AI, Openai, MongoDB | GitHub Repo | |
| TerraForming AI Workflows: Rag avec MongoDB Atlas et Spring Ai | Java, Spring Ai, Openai, MongoDB, Terraform | GitHub Repo |
Un agent est une entité de calcul artificielle avec une conscience de son environnement. Il est équipé de facultés qui permettent la perception par entrée, l'action par l'utilisation des outils et les capacités cognitives grâce aux modèles de fondation soutenus par une mémoire à long terme et à court terme. Au sein de l'IA, les agents sont des entités artificielles qui peuvent prendre des décisions intelligentes suivies par des actions basées sur la perception de l'environnement, activées par des modèles de langue importants.
| Titre | Empiler | Lien colab | Lien d'article |
|---|---|---|---|
| Assistant de sécurité d'usine agentique | Langgraph, Open AI, MongoDB, Langchain | ||
| Assistant de recherche sur l'IA | Fireworks AI, MongoDB, Langchain | ||
| Chercheur en investissement en IA | MongoDB, Crewai et Langchain | ||
| RAG AGENTIC: Système de recommandation | Claude 3.5, Llamaindex, MongoDB | ||
| Chatbot HR agentique | Claude 3.5, Langgraph, MongoDB | À venir | |
| Agent de substratum rocheux AWS | Claude 3, Bouvreau Aws, Python, MongoDB | ||
| Assistant de gestionnaire d'actifs | Langgraph, Openai, anthropique, MongoDB | ||
| Implémentation de la mémoire de travail avec Tavily et MongoDB | Python, Tavily, MongoDB | ||
| Assistant alimentaire AI | Noyau sémantique, C #, Openai, MongoDB | GitHub Repo | À venir |
Ce dossier contiendra tous les tutoriels traditionnels d'apprentissage automatique. Ils incluent des explications importantes, des instructions étape par étape et tout ce dont un lecteur a besoin afin de réussir après le tutoriel du début à la fin.
| Titre | Lien colab |
|---|---|
| Écrit dans les étoiles: prédire votre avenir avec les graphiques TensorFlow et MongoDB |
Ces tutoriels spécifiques à MongoDB sont destinés à présenter une plate-forme MongoDB spécifique intégrée à l'intelligence artificielle ou à l'apprentissage automatique. Ces tutoriels étape par étape permettront au lecteur de comprendre vraiment non seulement la plate-forme, mais aussi le cas d'utilisation de l'IA.
| Titre | Lien colab |
|---|---|
| Aperol Spriz été avec des requêtes géospatiales MongoDB et une recherche vectorielle | |
| Sirattez, Swig et Recherche avec Playwright, Openai et Mongodb Atlas Search | |
| Ingestion de vecteurs quantifiés avec Cohere et MongoDB | |
| Évaluation des vecteurs quantifiés par rapport aux vecteurs non quantifiés avec MongoDB |
Les ateliers sont conçus pour emmener les apprenants à travers le processus étape par étape de développement des applications LLM. Ces ateliers comprennent des explications, des définitions et des ressources essentielles fournies dans les cahiers et projets. Chaque atelier est structuré pour construire des connaissances fondamentales et progressera progressivement vers des sujets plus complexes. Les exercices pratiques et les exemples du monde réel garantissent que les apprenants peuvent appliquer efficacement les concepts, ce qui facilite la compréhension de l'intégration et du déploiement des applications génératrices d'IA.
| Titre | Lien colab |
|---|---|
| Pragmatic LLM Application Development: des pipelines de chiffon à l'agent d'IA | |
| Construire des chatbots avec la recherche Vector NextJS et Atlas |
Outils et services publics utiles pour travailler avec des modèles d'IA génératifs:
Vous trouverez ci-dessous divers ensembles de données avec des incorporations à utiliser dans les POC et démos de l'application LLM. Tous les ensembles de données sont accessibles et téléchargés à partir de leurs pages de visage étreintes respectives.
| Nom de l'ensemble de données | Description | Lien |
|---|---|---|
| Cosmopeda | Version en vogue d'un sous-ensemble de l'ensemble de données Data Cosmopedia | |
| Films | Films occidentaux, action et fantastiques, y compris le titre, l'année de sortie, les acteurs et les incorporations Openai pour la recherche vectorielle. | |
| Airbnb | Airbnb Listings DataSet avec descriptions de propriétés, avis, métadonnées et intégres. | |
| Nouvelles technologiques | Articles de nouvelles technologiques de 2022 et 2023 sur de précieuses entreprises technologiques. | |
| Restaurant | Ensemble de données de restaurants avec emplacement, cuisine, notes, attributs pour l'analyse de l'industrie, les recommandations et les études géographiques. | |
| Papiers arxiv sous-ensemble | Ce sous-ensemble ArXIV a des intégres OpenAI 256 dimensions pour chaque entrée, créé en combinant le titre, les auteurs et le résumé. |
Le leadership éclairé dans l'IA n'est pas une option, nous le prenons au sérieux. C'est pourquoi nous avons organisé des articles et des articles créés par notre équipe pour vous offrir la conversation et équipé des bonnes informations pour prendre des décisions clés lors de la construction de produits d'IA.
| Titre | Lien |
|---|---|
| Qu'est-ce qu'une pile AI? | |
| Comment optimiser les applications LLM avec une compression rapide à l'aide de LLMlingua et Langchain | |
| Qu'est-ce que la recherche vectorielle Atlas | |
| Comment choisir la bonne stratégie de section pour votre application LLM | |
| Comment choisir le bon modèle d'intégration pour votre application LLM | |
| Comment évaluer votre application LLM |
Nous accueillons les contributions! Veuillez lire nos directives de contribution pour plus d'informations sur la façon de participer.
Ce projet est autorisé sous la licence du MIT.
N'hésitez pas à tendre la main pour toute question ou suggestion:
