GenAI Showcase
1.0.0
O repositório de casos de uso generativo de IA é bem -vindo ao repositório generativo de casos de uso de IA! Esse recurso abrangente mostra aplicações de ponta em IA generativa, incluindo geração de recuperação (RAG), agentes de IA e casos de uso específicos do setor. Descubra como o MongoDB se integra a Pipelines RAG e agentes de IA, servindo como um banco de dados vetorial, banco de dados operacional e provedor de memória.
Principais recursos:
Esta seção contém exemplos de casos de uso comumente vistos em cenários focados no setor e aplicações genéricas. Cada entrada na tabela inclui uma descrição e links para exemplos de nível de produção e código relevante.
| Caso de uso | Pilha | Link | Descrição |
|---|---|---|---|
| Suporte ao cliente Chatbot | JavaScript, Openai, MongoDB | A estrutura de chatbot do MongoDB fornece bibliotecas que permitem a criação de chatbot sofisticado | |
| RH SUPORTE CHATBOT | Langgraph.js, antropic, Openai, MongoDB | Crie um assistente de RH movido a IA usando Langgraph.js e MongoDBB | |
| Conselheiro de Trip - Laravel, Openai e Atlas | PHP (Laravel), Openai, MongoDB | Aproveite o PHP, o Laravel e o Openai para construir motores de recomendação subfisticados | |
| MONGODB AI Framework | Principais componentes da pilha de IA | O MAAP Framework é um conjunto de bibliotecas que você pode usar para construir seu aplicativo RAG usando a pesquisa de vetores MongoDB e Atlas e parceiros MAAP associados | |
| MongoDB e agentes de construção | Atlas MongoDB, Buildship com baixo código, antropia | Este guia demonstra como criar um agente de IA para lidar com fluxos de trabalho de reserva de aluguel usando a plataforma sem código do Buildship com agregação do MongoDB e inserir integrações. |
| Título | Pilha | Colab | Artigo |
|---|---|---|---|
| Pano com lhama3, abraçando o rosto e o MongoDB | Abraçando o rosto, lhama3, MongoDB | ||
| Como construir um sistema de pano usando Claude 3 Opus e MongoDBB | MongoDB, antrópico, Python | ||
| Como construir um sistema de pano com a pilha Polm AI | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| Exemplo de memória de cache de cache de Langchain de MongoDB | Polm (Python, Openai, Langchain, MongoDB) | ||
| Exemplo de memória de cache de cache de Langchain de MongoDB | JavaScript, Openai, Langchain, MongoDB | ||
| Exemplo de implementação de pano ingênuo | Polm (Python, Openai, Llamaindex, MongoDB) | ||
| Exemplo de incorporação de texto aberto | Python, MongoDB, Openai | ||
| Pano com rosto abraçando e exemplo de mongodb | Abraçando o rosto, Gemma, MongoDB | ||
| Converse com o exemplo pdf | Python, MongoDB, Openai, Langchain | ||
| Oleoduto RAG | Python, MongoDB, Gemma2, Keranlp | ||
| Oleoduto RAG com modelos abertos | Python, MongoDB, Gemma2, Abraçando o rosto | ||
| MongoDB e Haystack Cooking Advisor | Python, Haystack, Openai | ||
| MongoDB e Recomendação de filme semântico | C# Console App, MongoDB, kernel semântico, Azure OpenAi ou OpenAi | Repo Github | Exibir artigo |
| Construa um gerente de ativos Rag Chatbot | Coere, MongoDB, Python | Em breve | |
| Gerente de ativos Chatbot com LLM Evalals e moderação | Gemma 2B, Shieldgemma, MongoDB, Python | ||
| Pesquisa semântica da letra com MongoDB e Spring AI | Java, Spring AI, Openai, MongoDB | Repo Github | |
| Terraforming AI Fluxos de trabalho: RAG com Atlas MongoDB e Spring AI | Java, Spring AI, Openai, MongoDB, Terraform | Repo Github |
Um agente é uma entidade computacional artificial com uma consciência de seu ambiente. Está equipado com faculdades que permitem a percepção por meio de entrada, ação através do uso de ferramentas e habilidades cognitivas por meio de modelos de fundação apoiados por memória de longo e curto prazo. Dentro da IA, os agentes são entidades artificiais que podem tomar decisões inteligentes seguidas de ações baseadas na percepção ambiental, ativadas por grandes modelos de idiomas.
| Título | Pilha | Link colab | Link do artigo |
|---|---|---|---|
| Assistente de Segurança de Fábrica Agentica | Langgraph, IA aberta, MongoDB, Langchain | ||
| Assistente de pesquisa de IA | Fogos de artifício AI, MongoDB, Langchain | ||
| Pesquisador de investimento da IA | MongoDB, Crewai e Langchain | ||
| Rano Agentic: Sistema de Recomendações | Claude 3.5, Llandeindex, MongoDBB | ||
| CHATBOT AGORD HR | Claude 3.5, Langgraph, MongoDB | Em breve | |
| AWS Bedrock Agent | Claude 3, AWS Bedrock, Python, MongoDB | ||
| Assistente de gerente de ativos | Langgraph, Openai, Antrópico, MongoDB | ||
| Implementando a memória de trabalho com Tavily e MongoDB | Python, Tavily, MongoDB | ||
| AI Assistente de Alimentos | Kernel semântico, C#, OpenAi, MongoDB | Repo Github | Em breve |
Esta pasta conterá todos os tutoriais tradicionais de aprendizado de máquina. Eles incluem explicações importantes, instruções passo a passo e tudo o que um leitor precisa para ter sucesso após o tutorial do começo ao fim.
| Título | Link colab |
|---|---|
| Escrito nas estrelas: preveja seu futuro com gráficos Tensorflow e MongoDB |
Esses tutoriais específicos do MongoDB destinam -se a mostrar uma plataforma MongoDB específica integrada à inteligência artificial ou aprendizado de máquina. Esses tutoriais passo a passo permitirão que o leitor realmente entenda não apenas a plataforma, mas também o caso de uso da IA.
| Título | Link colab |
|---|---|
| Aperol Spritz Summer com consultas geoespaciais do MongoDB e pesquisa de vetor | |
| Sip, Swig e pesquisa com dramaturgo, openai e MongoDB Atlas Search | |
| Ingestão de vetores quantizados com coere e mongodb | |
| Avaliação de vetores quantizados versus vetores não quantizados com MongoDB |
Os workshops são projetados para levar os alunos ao processo passo a passo do desenvolvimento de aplicativos LLM. Esses workshops incluem explicações, definições e recursos essenciais fornecidos nos notebooks e projetos. Cada workshop é estruturado para criar conhecimento fundamental e avançar progressivamente para tópicos mais complexos. Exercícios práticos e exemplos do mundo real garantem que os alunos possam aplicar os conceitos de maneira eficaz, facilitando a compreensão da integração e implantação de aplicativos generativos de IA.
| Título | Link colab |
|---|---|
| Desenvolvimento de aplicativos Pragmatic LLM: De pipelines RAG para agente de IA | |
| Construindo chatbots com o NextJS e o Atlas Vector Search |
Ferramentas e utilitários úteis para trabalhar com modelos generativos de IA:
Abaixo estão vários conjuntos de dados com incorporação para uso em POCs e demos de aplicativos LLM. Todos os conjuntos de dados podem ser acessados e baixados a partir de suas respectivas páginas de rosto abraçadas.
| Nome do conjunto de dados | Descrição | Link |
|---|---|---|
| Cosmopedia | Versão em pedaços de um subconjunto do conjunto de dados de Data Cosmopedia | |
| Filmes | Filmes ocidentais, de ação e fantasia, incluindo título, ano de lançamento, elenco e openai incorporando a busca de vetores. | |
| Airbnb | DataSet de listagens do Airbnb com descrições de propriedades, revisões, metadados e incorporação. | |
| Notícias de tecnologia | Artigos de notícias de tecnologia de 2022 e 2023 em empresas valiosas de tecnologia. | |
| Restaurante | Conjunto de dados de restaurantes com localização, cozinha, classificações, atributos para análise da indústria, recomendações e estudos geográficos. | |
| Documentos do Subconjunto Arxiv | Este subconjunto ARXIV possui incorporações 256-dimensionais do OpenAI para cada entrada, criada pela combinação de título, autor (s) e resumo. |
A liderança de pensamento na IA não é uma opção, levamos isso a sério. É por isso que selecionamos artigos e peças criados por nossa equipe para preparar a conversa e equipados com as informações corretas para tomar decisões importantes ao criar produtos de IA.
| Título | Link |
|---|---|
| O que é uma pilha de IA? | |
| Como otimizar os aplicativos LLM com compactação rápida usando Llmlingua e Langchain | |
| O que é pesquisa de vetor atlas | |
| Como escolher a estratégia de Chunking certa para o seu aplicativo LLM | |
| Como escolher o modelo de incorporação correta para o seu aplicativo LLM | |
| Como avaliar seu aplicativo LLM |
Congratulamo -nos com contribuições! Leia nossas diretrizes de contribuição para obter mais informações sobre como participar.
Este projeto está licenciado sob a licença do MIT.
Sinta -se à vontade para procurar qualquer dúvida ou sugestão:
