GenAI Showcase
1.0.0
Generatif AI Penggunaan Kasus Repositori Selamat Datang di Repositori Kasus Penggunaan AI Generatif! Sumber daya yang komprehensif ini menampilkan aplikasi mutakhir dalam AI generatif, termasuk generasi pengambilan-pengambilan (RAG), agen AI, dan kasus penggunaan khusus industri. Temukan bagaimana MongoDB terintegrasi dengan pipa kain dan agen AI, berfungsi sebagai database vektor, database operasional, dan penyedia memori.
Fitur Utama:
Bagian ini berisi contoh-contoh kasus penggunaan yang biasanya terlihat dalam skenario yang berfokus pada industri dan aplikasi generik. Setiap entri dalam tabel mencakup deskripsi dan tautan ke contoh tingkat produksi dan kode yang relevan.
| Gunakan kasing | Tumpukan | Link | Keterangan |
|---|---|---|---|
| Dukungan Pelanggan Chatbot | JavaScript, Openai, Mongodb | Kerangka kerja chatbot MongoDB menyediakan perpustakaan yang memungkinkan pembuatan chatbot yang canggih | |
| SDM mendukung chatbot | Langgraph.js, antropik, openai, mongodb | Buat asisten SDM bertenaga AI menggunakan langgraph.js dan mongodb | |
| Trip Advisor - Laravel, Openai dan Atlas | PHP (Laravel), Openai, Mongodb | Leverage PHP, Laravel, dan Openai untuk membangun mesin rekomendasi yang bermassa | |
| Kerangka kerja AI Mongodb | Komponen tumpukan AI kunci | Kerangka kerja MAAP adalah satu set perpustakaan yang dapat Anda gunakan untuk membangun aplikasi RAG Anda menggunakan MongoDB dan pencarian vektor atlas dan mitra MAAP yang terkait | |
| Mongodb dan agen pembangunan | Atlas Mongodb, Bangunan Rendah, Antropik | Panduan ini menunjukkan cara membuat agen AI untuk menangani alur kerja pemesanan sewa menggunakan platform no-kode Buildship dengan agregasi MongoDB dan memasukkan integrasi. |
| Judul | Tumpukan | Colab | Artikel |
|---|---|---|---|
| Kain dengan llama3, memeluk wajah dan mongodb | Memeluk wajah, llama3, mongodb | ||
| Cara Membangun Sistem Rag Menggunakan Claude 3 Opus dan Mongodb | Mongodb, Antropik, Python | ||
| Cara membangun sistem kain dengan tumpukan polm ai | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| MONGODB LANGCHAIN CACHE MORI PYTHON Contoh | POLM (Python, Openai, Langchain, MongoDB) | ||
| MongoDB Langchain Cache Memory JavaScript Contoh | Javascript, Openai, Langchain, Mongodb | ||
| Contoh implementasi kain naif | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| Contoh embedding teks openai | Python, Mongodb, Openai | ||
| Rag dengan wajah pelukan dan contoh MongoDB | Wajah memeluk, gemma, mongodb | ||
| Mengobrol dengan contoh pdf | Python, Mongodb, Openai, Langchain | ||
| Pipa kain | Python, Mongodb, Gemma2, Keranlp | ||
| Pipa kain dengan model terbuka | Python, Mongodb, Gemma2, memeluk wajah | ||
| Penasihat memasak Mongodb dan Haystack | Python, Haystack, Openai | ||
| Mongodb dan Bot Rekomendasi Film Kernel Semantik | C# Console App, MongoDB, Semantic Kernel, Azure Openai atau Openai | Repo github | Lihat Artikel |
| Bangun chatbot Rag Manajer Aset | Cohere, MongoDB, Python | Segera hadir | |
| Asset Manager Chatbot dengan LLM Evals and Moderation | Gemma 2B, Shieldgemma, Mongodb, Python | ||
| Pencarian semantik lirik dengan MongoDB dan AI musim semi | Java, Spring AI, Openai, Mongodb | Repo github | |
| Alur kerja AI Terraforming: Rag dengan Mongodb Atlas dan Spring AI | Java, Spring AI, Openai, Mongodb, Terraform | Repo github |
Agen adalah entitas komputasi buatan dengan kesadaran akan lingkungannya. Ini dilengkapi dengan fakultas yang memungkinkan persepsi melalui input, tindakan melalui penggunaan alat, dan kemampuan kognitif melalui model fondasi yang didukung oleh memori jangka panjang dan jangka pendek. Di dalam AI, agen adalah entitas buatan yang dapat membuat keputusan cerdas diikuti oleh tindakan berdasarkan persepsi lingkungan, dimungkinkan oleh model bahasa besar.
| Judul | Tumpukan | Tautan colab | Tautan artikel |
|---|---|---|---|
| Asisten Keselamatan Pabrik Agen | Langgraph, Open Ai, Mongodb, Langchain | ||
| Asisten Peneliti AI | Kembang api ai, mongodb, langchain | ||
| Peneliti Investasi AI | Mongodb, Crewai dan Langchain | ||
| Rag Agen: Sistem Rekomendasi | Claude 3.5, llamaindex, mongodb | ||
| Agen chatbot HR | Claude 3.5, Langgraph, Mongodb | Segera hadir | |
| Agen Bedrock AWS | Claude 3, AWS Bedrock, Python, Mongodb | ||
| Asisten Manajer Aset | Langgraph, Openai, Antropik, Mongodb | ||
| Menerapkan memori kerja dengan Tavily dan MongoDB | Python, Tavily, Mongodb | ||
| Asisten makanan ai | Kernel semantik, C#, openai, mongodb | Repo github | Segera hadir |
Folder ini akan berisi semua tutorial pembelajaran mesin tradisional. Mereka termasuk penjelasan penting, instruksi langkah demi langkah, dan semua yang dibutuhkan pembaca agar berhasil mengikuti tutorial dari awal hingga akhir.
| Judul | Tautan colab |
|---|---|
| Ditulis di Bintang: Prediksi masa depan Anda dengan TensorFlow dan MongoDB Charts |
Tutorial spesifik MongoDB ini dimaksudkan untuk menampilkan platform MongoDB spesifik yang terintegrasi dengan kecerdasan buatan atau pembelajaran mesin. Tutorial langkah demi langkah ini akan memungkinkan pembaca untuk benar-benar memahami tidak hanya platform, tetapi juga kasus penggunaan AI.
| Judul | Tautan colab |
|---|---|
| Aperol Spritz Summer dengan Mongodb Queries Geospatial & Vector Search | |
| Sip, Swig, dan Cari dengan Playwright, Openai, dan Mongodb Atlas Search | |
| Menelan vektor kuantisasi dengan cohere dan mongodb | |
| Mengevaluasi vektor terkuantisasi vs vektor non-kuantisasi dengan mongoDB |
Lokakarya dirancang untuk membawa peserta didik melalui proses langkah demi langkah mengembangkan aplikasi LLM. Lokakarya ini mencakup penjelasan penting, definisi, dan sumber daya yang disediakan dalam buku catatan dan proyek. Setiap lokakarya disusun untuk membangun pengetahuan dasar dan semakin maju ke topik yang lebih kompleks. Latihan praktis dan contoh dunia nyata memastikan bahwa peserta didik dapat menerapkan konsep secara efektif, membuatnya lebih mudah untuk memahami integrasi dan penyebaran aplikasi AI generatif.
| Judul | Tautan colab |
|---|---|
| Pengembangan Aplikasi LLM Pragmatis: Dari Pipa Rag ke Agen AI | |
| Membangun chatbots dengan pencarian vektor NextJs dan Atlas |
Alat dan utilitas yang berguna untuk bekerja dengan model AI generatif:
Di bawah ini adalah berbagai dataset dengan embeddings untuk digunakan dalam aplikasi dan demo aplikasi LLM. Semua set data dapat diakses dan diunduh dari halaman wajah pelukan masing -masing.
| Nama dataset | Keterangan | Link |
|---|---|---|
| Cosmopedia | Versi chunked dari subset dari Data Cosmopedia Dataset | |
| Film | Film Barat, aksi, dan fantasi, termasuk judul, tahun rilis, cast, dan embeddings openai untuk pencarian vektor. | |
| Airbnb | Dataset Daftar Airbnb dengan deskripsi properti, ulasan, metadata dan embeddings. | |
| Berita Teknologi | Artikel berita teknologi dari tahun 2022 dan 2023 di perusahaan teknologi yang berharga. | |
| Restoran | Dataset restoran dengan lokasi, masakan, peringkat, atribut untuk analisis industri, rekomendasi, dan studi geografis. | |
| Subset Papers Arxiv | Subset ARXIV ini memiliki 256 embeddings openai untuk setiap entri, dibuat dengan menggabungkan judul, penulis (s), dan abstrak. |
Kepemimpinan pemikiran di AI bukanlah suatu pilihan, kami menganggapnya serius. Itu sebabnya kami telah mengkuratori artikel dan karya yang dibuat oleh tim kami untuk membuat Anda siap percakapan dan dilengkapi dengan informasi yang tepat untuk membuat keputusan penting saat membangun produk AI.
| Judul | Link |
|---|---|
| Apa itu tumpukan AI? | |
| Cara mengoptimalkan aplikasi LLM dengan kompresi cepat menggunakan llmlingua dan langchain | |
| Apa itu pencarian vektor atlas | |
| Cara memilih strategi chunking yang tepat untuk aplikasi LLM Anda | |
| Cara memilih model embedding yang tepat untuk aplikasi LLM Anda | |
| Cara Mengevaluasi Aplikasi LLM Anda |
Kami menyambut kontribusi! Harap baca pedoman kontribusi kami untuk informasi lebih lanjut tentang cara berpartisipasi.
Proyek ini dilisensikan di bawah lisensi MIT.
Jangan ragu untuk menjangkau pertanyaan atau saran apa pun:
