Découpage du texte, embeddings et stockage vectoriel

Retrieval Augmented Generation (RAG) avec LangChain

Meri Nova

Machine Learning Engineer

Préparer les données pour la recherche

Chargement des documents.

Retrieval Augmented Generation (RAG) avec LangChain

Préparer les données pour la recherche

Découpage des documents.

Retrieval Augmented Generation (RAG) avec LangChain

Préparer les données pour la recherche

Les chunks de document sont intégrés.

Retrieval Augmented Generation (RAG) avec LangChain

Préparer les données pour la recherche

Les chunks de document sont stockés.

Retrieval Augmented Generation (RAG) avec LangChain

Préparer les données pour la recherche

L'étape de découpage est mise en évidence dans le workflow RAG.

Retrieval Augmented Generation (RAG) avec LangChain

chunk_size

Une flèche montre que la taille idéale est intermédiaire ; les gros chunks sont lents à récupérer et durs à interpréter, les petits manquent de contexte.

chunk_overlap

  • Inclure des infos au-delà de la limite

Deux chunks avec une zone qui se chevauche.

Retrieval Augmented Generation (RAG) avec LangChain

CharacterTextSplitter

from langchain_text_splitters import CharacterTextSplitter


text = """Machine learning is a fascinating field.\n\nIt involves algorithms and models that
can learn from data. These models can then make predictions or decisions without being
explicitly programmed to perform the task.\nThis capability is increasingly valuable in
various industries, from finance to healthcare.\n\nThere are many types of machine learning,
including supervised, unsupervised, and reinforcement learning.\nEach type has its own
strengths and applications."""


text_splitter = CharacterTextSplitter(
    separator="\n\n",
    chunk_size=100,  
    chunk_overlap=10  
)
Retrieval Augmented Generation (RAG) avec LangChain

CharacterTextSplitter

chunks = text_splitter.split_text(text)

print(chunks)
print([len(chunk) for chunk in chunks])

['Machine learning is a fascinating field.',
 'It involves algorithms and models that can learn from data. These models can...',
 'There are many types of machine learning, including supervised, unsupervised...']

[40, 260, 155]
  • Les chunks peuvent manquer de contexte
  • Les chunks peuvent dépasser chunk_size
Retrieval Augmented Generation (RAG) avec LangChain

RecursiveCharacterTextSplitter

from langchain_text_splitters import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(

    separators=["\n\n", "\n", " ", ""],

    chunk_size=100,
    chunk_overlap=10

)
Retrieval Augmented Generation (RAG) avec LangChain

RecursiveCharacterTextSplitter

chunks = splitter.split_text(text)

print(chunks)
print([len(chunk) for chunk in chunks])

['Machine learning is a fascinating field.',
 'It involves algorithms and models that can learn from data. These models ...',
 'or decisions without being explicitly programmed to perform the task.',
 'This capability is increasingly valuable in various industries, from ...',
 'There are many types of machine learning, including supervised, ...',
 'learning.',
 'Each type has its own strengths and applications.']
[40, 98, 69, 91, 95, 9, 49]
Retrieval Augmented Generation (RAG) avec LangChain

Découper des documents

from langchain_community.document_loaders import PyPDFLoader

loader = PyPDFLoader("research_paper.pdf")
documents = loader.load()

splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)


chunks = splitter.split_documents(documents)
Retrieval Augmented Generation (RAG) avec LangChain

Découper des documents

print(chunks)

print([len(chunk.page_content) for chunk in chunks])

[Document(metadata={'source': 'Rag Paper.pdf', 'page': 0}, page_content='...'),
 Document(metadata={'source': 'Rag Paper.pdf', 'page': 0}, page_content='...'),
 Document(metadata={'source': 'Rag Paper.pdf', 'page': 0}, page_content='...')]

[928, 946, 921,...]
Retrieval Augmented Generation (RAG) avec LangChain

Embedding et stockage

Les étapes d'embedding et de stockage sont mises en évidence.

Retrieval Augmented Generation (RAG) avec LangChain

Qu'est-ce qu'un embedding ?

Une phrase est envoyée à un modèle d'embedding.

Retrieval Augmented Generation (RAG) avec LangChain

Qu'est-ce qu'un embedding ?

Le modèle d'embedding convertit le texte en vecteur de valeurs numériques.

Retrieval Augmented Generation (RAG) avec LangChain

Qu'est-ce qu'un embedding ?

what_are_embeddings3.jpg

Retrieval Augmented Generation (RAG) avec LangChain

Qu'est-ce qu'un embedding ?

what_are_embeddings4.jpg

Retrieval Augmented Generation (RAG) avec LangChain

Intégrer et stocker les chunks

  • Embedding et stockage avec : OpenAI et ChromaDB
from langchain_openai import OpenAIEmbeddings
from langchain_chroma import Chroma

embedding_model = OpenAIEmbeddings(
    api_key=openai_api_key,
    model="text-embedding-3-small"
)


vector_store = Chroma.from_documents(
    documents=chunks, 
    embedding=embedding_model
)
Retrieval Augmented Generation (RAG) avec LangChain

Passons à la pratique !

Retrieval Augmented Generation (RAG) avec LangChain

Preparing Video For Download...