medicure rag chatbot

Medicure Rag Chatbot?

Une technique de chiffon IA Chatbot implémentant avec un modèle de grande langue Meta-Llama2-7b, ainsi que des bases de données vectorielles de Langchain et Pinecone. Ressource utilisée: L'encyclopédie de la médecine

Captures d'écran

Technologies utilisées

1. Rational - web ui
2. Pinone - base de données vectorielle
3. Langchain et transformateurs de phrases - Récupérer le modèle
4. Meta Llama-2-7b-chat Modèle quantifié - Modèle grand langage (LLM) de Hugging Face Hub

Approche de la solution

Pinecone Vector DB stocke les intégres text_chunks générés à partir du livre PDF. Langchain est utilisé pour construire le LLMCHAIN ​​avec PromptTemplate pour effectuer la recherche de similitude à partir de Pinecone, puis grain fine la sortie avec LLM.

Exécution de l'application Web localement

Pour exécuter l'application Web localement, suivez ces étapes:

1. Clone le repo :

git clone https://github.com/4darsh-Dev/medicure-rag-chatbot.git 

2. Configurer la poésie :

     pip install poetry
     poetry init
     poetry shell
     

3. Installation des exigences :

     poetry install
     

4. Exécutez l'application Streamlit :

   poetry streamlit run app.py

5. Accédez à votre application : Après l'exécution de la commande, Streamlit lancera un serveur Web local et fournira une URL où vous pouvez accéder à votre application. En règle générale, ce sera quelque chose comme http://localhost:8501 . Ouvrez cette URL dans votre navigateur Web.

6. Arrêtez le serveur de rationalisation : pour arrêter le serveur de rationalisation, revenez à l'invite de terminal ou de commande où il s'exécute et appuyez sur Ctrl + C pour terminer le serveur.

Salut, je suis adarsh!

? Links

Retour

Si vous avez des commentaires, veuillez nous contacter à [email protected]