6 محتويات
Construire un moteur de recherche sémantique sur 60 fiches produit avec gemini-embedding-2, numpy et sqlite : recherche multilingue, produits similaires, dédoublonnage, clustering, et rappel@5 mesuré pour de vrai.
Académie IA › Pratiquer
Traiter la fenêtre de contexte comme une ressource : l'ordonner, la compresser, la mettre en cache, et construire un assistant à mémoire long terme (SQLite + embeddings) évalué sur 10 scénarios de rappel.
Académie IA › Maîtriser
Construire en 200 lignes de Python un RAG qui lit des PDF, les indexe dans SQLite avec les embeddings Gemini, répond en citant la page et ne réindexe que les fichiers modifiés.
Labs RAG › En local
Combiner recherche par mots-clés (BM25) et recherche vectorielle, fusionner les classements avec RRF, les retrier avec Gemini, puis mesurer le gain de rappel@5 et de MRR sur 25 questions de référence.
Labs RAG › En local
Faire décrire les figures d'un PDF par Gemini à l'indexation, indexer descriptions et texte avec gemini-embedding-2, joindre l'image elle-même à la réponse, et mesurer le gain face à un RAG texte seul : 0/10 contre 10/10 sur les questions dont la réponse est dans une figure.
Labs RAG › En local
Stocker morceaux et embeddings dans une table BigQuery, chercher avec VECTOR_SEARCH combiné à des filtres SQL paramétrés, et confier à un agent ADK la décision de chercher, la reformulation et le choix des filtres, avec un budget de recherches et un nettoyage vérifié.
Labs RAG › Sur Google Cloud