AI applicata allo sviluppo Java aziendale (Italian Edition)

Capitolo 9. Incorporamenti e archivivettoriali

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

A questo punto del libro, sai come capire i modelli usando la libreria DJL e usarli con LangChain4j. Inoltre, il capitolo 3 ha parlato di RAG, un concetto fondamentale quando si sviluppano app di IA. RAG si basa molto sui calcoli di incorporamento vettoriale e sulla matematica (come la similarità coseno, la distanza euclidea al quadrato, ecc.) per la ricerca di similarità. In questo capitolo, scoprirai i seguenti aspetti chiave degli incorporamenti vettoriali:

Il RAG si basa molto sui calcoli di incorporamento vettoriale e sulla matematica (cioè similarità coseno, euclidea al quadrato, ecc.) per la ricerca di similarità. In questo capitolo imparerai i seguenti aspetti chiave degli incorporamenti vettoriali:

• Calcolo degli embedding utilizzando DJL

• Calcolo degli embedding utilizzando LangChain4j in-process

• Calcolo degli embedding con modelli remoti

• Usare gli archivi vettoriali per implementare funzioni di ricerca avanzate o il caching

• Preparazione e acquisizione di documenti per RAG

• Implementazione di un RAG semplice

• Uso di RAG avanzato (QueryRouter, ReRanking, ecc.)

Dopo questo capitolo, saprai come calcolare i vettori con vari approcci e avrai una buona comprensione degli embedding, non solo dal punto di vista del RAG, ma anche di altri casi d'uso. Inoltre, ti mostreremo alcuni ...