Aperçu
Dans ce cours, vous apprendrez à créer des applications d'IA conversationnelle qui permettent aux utilisateurs d'interagir avec leurs données, qu'elles soient structurées dans des tableaux ou non structurées dans des documents, en utilisant le langage naturel. Conçu comme l'étape suivante après notre cours d'introduction à GenAI, ce cours se concentre sur la création d'applications pratiques avec Snowflake Cortex, y compris Cortex Search pour les données non structurées et Cortex Analyst pour les données structurées.
Vous acquerrez les compétences nécessaires pour connecter ces applications à des sources de données réelles, construire des backends robustes et offrir des interfaces conviviales pour les applications GenAI en utilisant Streamlit. À la fin, vous saurez comment concevoir, construire et déployer des applications GenAI de bout en bout qui démocratisent l'accès aux insights auparavant enfermés dans les données.
Ce cours est conçu pour les développeurs, les data scientists et les ingénieurs en ML qui cherchent à intégrer des interfaces en langage naturel dans leurs organisations.
Programme
- Introduction à la création d'applications conversationnelles avec des données
Ce module prépare le terrain pour la création d'applications alimentées par l'IA qui aident les utilisateurs à obtenir des réponses à partir de leurs données en utilisant le langage naturel. Vous allez explorer les différents types de données—structurées et non structurées—et les techniques les plus efficaces pour chacune, y compris la génération augmentée par récupération (RAG), la recherche sémantique et le texte-à-SQL. Vous apprendrez à évaluer les données que vous possédez et à comprendre quand utiliser des approches comme Cortex Search ou Cortex Analyst. Ce module introduit également l'architecture des applications conversationnelles et vous aide à cartographier ce qu'il est possible de construire en utilisant Snowflake. Que vos données se trouvent dans des tableaux ou soient enfouies dans des PDF et des documents, ce module vous donnera un cadre clair pour les transformer en une expérience conversationnelle.
- Trouver des réponses à partir de données non structurées avec Cortex Search
Dans ce module, vous allez explorer comment débloquer des insights à partir de sources de données non structurées en utilisant Cortex Search. Vous apprendrez comment charger, analyser et fractionner des documents, puis construire un service de recherche capable d'alimenter à la fois une recherche d'entreprise et des chatbots basés sur RAG. Vous explorerez le fonctionnement de la recherche hybride (combinant la recherche par mots-clés et la recherche sémantique) et comprendrez comment mesurer la qualité des résultats de recherche. Vous verrez également comment garder votre service Cortex Search à jour en construisant un pipeline en utilisant Tasks et Streams. Enfin, vous construirez une interface pour l'application à l'aide de Streamlit pour pouvoir déployer l'application aux utilisateurs. À la fin de ce module, vous aurez construit une application RAG fonctionnelle dans un Snowflake Notebook capable de répondre à des questions en langage naturel à partir de documents non structurés — quelque chose qui nécessitait auparavant une analyse manuelle ou était tout simplement inaccessible.
- Répondre aux questions à partir de données structurées avec Cortex Analyst
Ce module se concentre sur la transformation de données commerciales structurées—comme celles que l'on trouve dans les tableaux Snowflake—en une interface de langage naturel. Vous apprendrez comment construire des applications qui convertissent des questions en SQL en utilisant Cortex Analyst. Cela inclut la définition de modèles sémantiques pour aider le LLM à comprendre vos données, à générer du SQL précis et à retourner des réponses précises. Vous apprendrez également comment appeler l'API Analyst et construire des applications conversationnelles à plusieurs tours qui interagissent avec vos ensembles de données structurées. Ensuite, vous apprendrez comment prendre les résultats de Cortex Analyst et les traduire de nouveau en langage naturel avec un LLM. Enfin, vous construirez une interface avec Streamlit pour que votre application soit prête pour l'entreprise. À la fin, vous aurez une application texte-à-SQL fonctionnelle qui aide les utilisateurs commerciaux à obtenir les réponses dont ils ont besoin sans écrire une seule ligne de SQL eux-mêmes.
Enseigné par
Snowflake Northstar
Sujets
Affaires
