LLM Solutions Playbook

LLM-Solutions-Playbook

Déverrouiller le potentiel des solutions axées sur l'IA et plonger dans le monde des modèles de grande langue. Explorez les concepts de pointe, les applications du monde réel et les meilleures pratiques pour construire des systèmes puissants avec ces modèles de pointe.

Ce référentiel présente les capacités transformatrices des modèles de grande langue et de Langchain. Plongez dans une collection organisée de cahiers Jupyter qui démontrent:

• Les applications pratiques de ces technologies, mettant en évidence leur potentiel d'économie de temps et la puissance des solutions axées sur l'IA.
• Concepts de pointe et meilleures pratiques pour construire des systèmes puissants avec ces modèles de pointe.

Libérez votre créativité et explorez les ressources incluses pour lancer votre voyage et approfondir ces technologies révolutionnaires.

Exigences

Python 3.11 dépendances (répertoriées dans exigences.txt)

Installation

Clone ce référentiel à votre machine locale. Installez les dépendances requises en exécutant pip install -r requirements.txt .

Usage

Le répertoire des cahiers est organisé en sous-répertoires, chacun dédié à un sujet spécifique. Vous pouvez explorer ces sous-répertoires dans n'importe quel ordre en fonction de vos intérêts. Chaque sous-répertoire contient une collection de cahiers de jupyter qui se plongent dans les concepts liés à son sujet respectif. Les ordinateurs portables sont ordonnés séquentiellement dans chaque sous-répertoire, il est donc recommandé de suivre l'ordre suggéré. Les cahiers sont conçus pour être autonomes, vous permettant de les exécuter indépendamment sans dépendances sur d'autres cahiers.

Obtenez la touche API Openai

Pour utiliser l'API OpenAI, vous devrez créer un compte et obtenir une clé API. Vous pouvez créer un compte ici. Une fois que vous avez créé un compte, vous pouvez trouver votre clé API sur la page des touches API.

Utilisez la clé API Openai

Suivez les instructions ci-dessous pour utiliser votre clé API OpenAI en toute sécurité dans le code:

1. Créez un fichier nommé .env dans le répertoire racine de ce référentiel.
2. Définissez la variable d'environnement OPENAI_API_KEY dans le fichier .env et définissez-le égal à votre clé API OpenAI. Par exemple, si votre clé API est abc123 , le contenu du fichier .env doit être OPENAI_API_KEY="abc123" .
3. Utilisez le code suivant pour charger votre clé API à partir du fichier .env :

 import os
from dotenv import load_dotenv
import openai

load_dotenv ()
openai . api_key = os . getenv ( "OPENAI_API_KEY" )

Obtenez la touche API ActiveLoop

• Inscription / connexion sur ActiveLoop.
• Créez un jeton API à partir de la page d'accueil.
• Copiez le jeton API et collez-le dans le fichier .env comme ceci ACTIVELOOP_TOKEN="<token>" .
• Utilisez le code similaire comme indiqué ci-dessus pour charger votre jeton API à partir du fichier .env .

Contributif

Les contributions sont les bienvenues! Si vous avez des suggestions, des rapports de bogues ou des demandes de fonctionnalités, veuillez ouvrir un problème ou soumettre une demande de traction. Voir le fichier contributing.md pour plus d'informations.

Licence

Ce projet est autorisé sous la licence du MIT.

Clause de non-responsabilité

Veuillez noter que ce logiciel est fourni tel quel et que l'auteur et les contributeurs ne seront pas tenus responsables des conséquences ou des dommages résultant de son utilisation. Reportez-vous au fichier Avis de non-responsabilité.md pour plus d'informations.

Ressources supplémentaires

• Le guide de formation LLM du novice
• Masterring LLM Techniques: Optimisation d'inférence
• Modèles LLM
• Plongée profonde dans les évaux
• Modèles de conception dans le code et les systèmes d'apprentissage automatique
• Plus de modèles de conception pour les systèmes d'apprentissage automatique
• Building LLM Applications de production
• Applications LLM d'équipe rouge