RAG Powered GPT 4 Chatbot

Chatbot GPT-4 alimenté par chiffon: récupération des connaissances basée sur l'IA

Révolutionner l'interaction des données avec un chatbot construit à l'aide de la génération (RAG) (RAG) de récupération et d'OpenAI . Télécharger des documents, créer des bases de connaissances personnalisées et obtenir des réponses contextuelles précises pour la recherche, les opérations commerciales et le support client.

Table des matières

1. Introduction
2. Caractéristiques clés
3. Cas d'utilisation
4. Comment ça marche
5. Commencer
6. Structure de fichiers
7. Contributif
8. Licence

Introduction

Le chatbot alimenté par chiffon combine une récupération et une IA génératrices pour aider les utilisateurs à accéder à des informations spécifiques à partir de sources de données personnalisées. En téléchargeant vos documents, le chatbot peut extraire les données les plus pertinentes de vos fichiers, garantissant une grande précision et des réponses à jour.

Caractéristiques clés

• Téléchargez des documents : ajoutez des PDF ou d'autres documents qui seront ouverts en pièces gérables et stockés sous forme de vecteurs dans une base de données.
• Base de connaissances personnalisée : créez une base de connaissances consultable à partir de vos fichiers téléchargés.
• Base de données persistante : Enregistrez, récupérez et réutilisez votre base de connaissances à tout moment.
• Réponses précises : obtenez des réponses contextuelles en fonction des données de votre base de connaissances personnalisées.

Cas d'utilisation

• Recherche : Analyser les grands ensembles de données, les études et les articles de recherche en interrogeant les informations pertinentes.
• Opérations commerciales : Accédez rapidement aux documents et politiques internes pour une meilleure prise de décision.
• Support client : créez un chatbot qui tire instantanément les données des FAQ ou des manuels de produits.
• Formation et intégration : offrez aux nouvelles embauches un accès instantané aux documents internes clés et au matériel de formation.

Comment ça marche

1. Télécharger des documents :

   • Téléchargez des fichiers PDF ou texte sur le système.
   • Les fichiers sont automatiquement divisés en sections plus petites et converties en vecteurs pour une recherche efficace.

2. Créer une base de connaissances :

   • Le système construit une base de connaissances personnalisée à partir des documents téléchargés.
   • Cette base de connaissances peut être recherchée à l'aide de requêtes en langage naturel.

3. Base de connaissances de requête :

   • Utilisez l'interface chatbot pour poser des questions.
   • Le système récupère les informations les plus pertinentes de la base de connaissances à l'aide de la recherche sémantique.

4. Base de données persistante :

   • Enregistrez vos fichiers et bases de données téléchargés pour un accès futur.
   • Réutiliser ou modifier la base de connaissances sans avoir à repenser des fichiers.

Commencer

Condition préalable

• Python 3.x
• Clé AZure Openai API pour l'intégration GPT-4

Installation

1. Clone le référentiel :

   git clone https://github.com/your-username/rag-powered-gpt4-chatbot.git
   cd rag-powered-gpt4-chatbot

2. Configurer un environnement virtuel :

   python -m venv ragvenv
   source ragvenv/bin/activate

3. Installez les dépendances :

   pip install -r requirements.txt

4. Configurer les informations d'identification Azure Openai :

   • Ouvrez le fichier config.env et ajoutez les informations d'identification Azure Openai suivantes:

     AZURE_OPENAI_ENDPOINT= " your-azure-openai-endpoint "
     AZURE_OPENAI_API_KEY= " your-azure-openai-api-key "
     API_VERSION= " 2024-02-15-preview "

5. Exécutez l'application :

   python app.py

6. Accéder à l'application :

   • Ouvrez votre navigateur et allez sur http://localhost:8000 .

En utilisant l'application

1. Téléchargez un fichier :

   • Accédez à la section "Télécharger le fichier" de l'application.
   • Sélectionnez un PDF ou un autre document à télécharger.

2. Créer une base de connaissances :

   • Le document téléchargé sera traité et divisé en morceaux.
   • Une base de connaissances personnalisée est créée à partir de ces morceaux et stockée pour les futures requêtes.

3. Interroger le chatbot :

   • Tapez vos questions dans le champ de saisie du chatbot.
   • Le chatbot récupérera les informations pertinentes à partir de la base de connaissances personnalisée en fonction de votre requête.

4. Accéder aux bases de données précédentes :

   • Utilisez le menu déroulant pour accéder et interroger les bases de données créées précédemment.

Structure de fichiers

 rag-powered-gpt4-chatbot/
├── app.py               # Main application script
├── config.env           # Configuration file for API keys
├── database/            # Folder for storing database files
├── rag_app.log          # Log file for tracking application events
├── requirements.txt     # Python dependencies
├── static/              # Static files like CSS
│   └── styles.css       # CSS file for basic styling
├── templates/           # HTML templates for the app interface
│   └── index.html       # Main page of the app
├── upload_file/         # Directory for storing uploaded files
├── utils.py             # Utility functions

Contributif

Les contributions sont les bienvenues! Veuillez ouvrir un problème ou soumettre une demande de traction si vous souhaitez ajouter de nouvelles fonctionnalités ou corriger les bogues.

Licence

Ce projet est autorisé en vertu de la licence MIT - voir le fichier de licence pour plus de détails.

---