Transformer un texte en vecteur numérique avec Gemini • Pipelines RAG avec Qdrant et MySQL — AiLearning

AiLearning

Accueil/Cours/AI Engineering/Module 4/Chapitre 3

Vérification de la session...

Sommaire

14 chap.

Lecture terminée :0/14 (0%)

1Pourquoi avons-nous besoin du RAG ?

2Pourquoi utiliser deux systèmes de stockage complémentaires ?

3Transformer un texte en vecteur numérique avec Gemini

4Extraction de texte et segmentation en fragments (Chunking)

5Découvrir Qdrant et configurer une collection vectorielle

6Concevoir les tables MySQL et insérer les points dans Qdrant

7Orchestrer l'indexation complète et gérer la résilience

8Effectuer une recherche de similarité et filtrer par utilisateur

9Faire le lien entre les points Qdrant et les textes MySQL

10Construire le prompt RAG et générer des réponses ancrées

11Endpoints Express, validation Zod et tests Postman

12Recherche hybride, reranking, injection indirecte et optimisation

•Projet de synthèse — Assistant documentaire intelligent

•Évaluation, bilan du RAG & Annexes