Chercher dans vos documents avec l'IA (RAG)
Des pipelines RAG, corpus et modèles d'embeddings pour qu'une IA réponde à partir de vos documents.
Embeddings nomic-embed-text en local avec Ollama
nomic-embed-text pour un RAG 100 % local avec Ollama : 768 dimensions, textes…
Corpus : articles de Contexte Tech par section
Les articles du blog Contexte Tech découpés par section, avec l'adresse de…
Corpus : définitions des ressources IA de Contexte Tech
Les définitions des types de ressources IA de Contexte Tech, une par morceau…
Embeddings multilingual-e5-large pour un RAG en français
multilingual-e5-large pour un RAG en français : 1024 dimensions, 512 tokens,…
Embeddings BGE-M3 pour un RAG sur de longs documents
BGE-M3 pour un RAG sur de longs documents : 1024 dimensions, jusqu'à 8192…
Pipeline RAG pour une documentation produit en français
Pipeline RAG pour un assistant qui répond sur la documentation d'un produit en…
Que veut dire rechercher dans des documents avec l'IA ?
L'IA peut répondre à partir de vos propres documents grâce au RAG (génération augmentée par la recherche) : les documents sont découpés, transformés en vecteurs, et les passages les plus proches de la question sont donnés au modèle, qui répond en citant ses sources.