From a24a50fc56bf0737e9855d5bfdbef3ee8fca5286 Mon Sep 17 00:00:00 2001 From: Quarto GHA Workflow Runner Date: Thu, 7 Nov 2024 15:51:43 +0000 Subject: [PATCH] Built site for gh-pages --- .nojekyll | 2 +- Bibliographie.html | 30 +++++++++++++++ .../2_Classification_accords_entreprise.html | 16 ++++---- search.json | 2 +- sitemap.xml | 38 +++++++++---------- 5 files changed, 59 insertions(+), 29 deletions(-) diff --git a/.nojekyll b/.nojekyll index 2ec42cb..beb88fa 100644 --- a/.nojekyll +++ b/.nojekyll @@ -1 +1 @@ -f1e7062a \ No newline at end of file +ec8b97c3 \ No newline at end of file diff --git a/Bibliographie.html b/Bibliographie.html index 6ab737d..c8761ea 100644 --- a/Bibliographie.html +++ b/Bibliographie.html @@ -339,6 +339,36 @@

Articles de
  • Principled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4
  • Graph of Thoughts
    • +

    Evaluation (métriques)

    + + + + + + + + + + + + + + + + + + + + + + + + + +
    Basée sur embeddingsBasée sur modèle fine-tunéBasé sur LLM
    BERTScoreUniEvalG-Eval
    MoverScoreLynxGPTScore
    Prometheus-eval
    +

    Evaluation (frameworks) - Ragas (spécialisé pour le RAG) - Ares (spécialisé pour le RAG) - Giskard - DeepEval

    +

    Evaluation (RAG) - Evaluation of Retrieval-Augmented Generation: A Survey - Automated Evaluation of Retrieval-Augmented Language Models with Task-Specific Exam Generation

    +

    Evaluation (divers) - Prompting strategies for LLM-based metrics - LLM-based NLG Evaluation: Current Status and Challenges - Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena

    Librairies et ressources

    diff --git a/IV-Exemples/2_Classification_accords_entreprise.html b/IV-Exemples/2_Classification_accords_entreprise.html index 43739e1..a15eee4 100644 --- a/IV-Exemples/2_Classification_accords_entreprise.html +++ b/IV-Exemples/2_Classification_accords_entreprise.html @@ -347,7 +347,7 @@

    Récupération

    Les données sont disponibles sur Légifrance. Le stock des textes est également publié par le FTP de la DILA et les thématiques déclarées sont à la fois dans les métadonnées XML publié conjointement avec les textes, ou retrouvables sur Légifrance.

    Pour des raisons pratiques, nous travaillerons avec une photographie du stock au 1er semestre 2024 et sur un échantillon des 1000 textes d’accords, convertis au format parquet.

    Ces données comportent le numéro de dossier de l’accord, identifiant unique, puis le texte et les thématiques déclarées, et enfin suivies des thématiques une à une :

    -
    +
    @@ -416,7 +416,7 @@

    Lecture de données

    Nous allons dans cet exemple, extraire 10 textes pour des raisons de rapidité :

    -
    +
    import json
 import numpy as np
 import pandas as pd
@@ -445,7 +445,7 @@ 
    Lecture de données
 
    Vectoriser nos textes avec ChromaDB
    
 
    Pour vectoriser nos textes, nous utilisons ChromaDB qui s’intègre avec Langchain. Nous allons découper en morceau des 3000 caractères à chaque saut à ligne, ce qui correspond à un paragraphe. Les morceaux de textes, ici paragraphes, sont stockés dans une boutique de vecteur avec le numéro de dossier et le numéro de paragraphe en métadonnées.
    
-
    
+
    
 
    text_splitter = CharacterTextSplitter(
     separator="\n\n",
     chunk_size=3000,
@@ -472,7 +472,7 @@ 
    Vector
 
    
 
    Interroger un LLM en mode API
    
 
    Pour interroger le LLM, nous construisons une classe qui permet de générer les requêtes et de traiter les réponses :
    
-
    
+
    
 
    MODEL="llama3.1"
 
 
@@ -493,7 +493,7 @@ 
    Interroger u
     llm = LocalOllamaLLM(api_url="http://127.0.0.1:11434")
    
 
    
 
    Nous définissons également un prompt de base, améliorable par la suite, et une chaîne LangChain entre le prompt et le LLM :
    
-
    
+
    
 
    system_prompt = (
     " Répondez à la question posée "
     " Utilisez le contexte (sélection des meilleurs paragraphes liés à la question) donné pour répondre à la question "
@@ -510,7 +510,7 @@ 
    Interroger u
 question_answer_chain = create_stuff_documents_chain(llm, prompt)
    
 
    
 
    Nous définissons une fonction pour effectuer le RAG, avec à la fois la recherche de similarité par rapport à la question, et la soumission augmentée pour une réponse du LLM :
    
-
    
+
    
 
    def search_and_invoke_llm(vector_store,index,query,k=5):
     if k==0:
         print(f"bug with {index}")
@@ -535,7 +535,7 @@ 
    Interroger u
 
    
 
    Automatiser la classification sur l’ensemble des thématiques
    
 
    Nous automatisons ici la classification sous forme de classification binaire pour chaque thématique, en posant une question “oui ou non” et en inférant oui si la réponse commence par oui, non sinon.
    
-
    
+
    
 
    THEMATIQUES={
     "accord_methode_penibilite":"Accords de méthode (pénibilité)",
 "accord_methode_pse":"Accords de méthode (PSE)",
@@ -626,7 +626,7 @@ 
    
 
    Evaluation
    
 
    Nous évaluons les performances de cette solution simple, en affichant la matrice de confusion et les différentes métriques, pour chaque thématique :
    
-
    
+
    
 
    import numpy as np
 from sklearn.metrics import confusion_matrix
 from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, classification_report
diff --git a/search.json b/search.json
index fe5685e..ba15a68 100644
--- a/search.json
+++ b/search.json
@@ -286,7 +286,7 @@
     "href": "Bibliographie.html#ii---développement",
     "title": "Bibliographie",
     "section": "II - Développement",
-    "text": "II - Développement\n\nPlateforme de partage de modèles\n\nHuggingFace\n\n\n\nArticles de recherche centraux\nTransformers\n\nPapier original ‘Attention Is All You Need’\nExplication illustrée et très détaillée\nLes différents types de modèles\nLes Mixture of Experts\n\nFine-tuning\n\nLoRA\nQLoRA\nDoRA\nIntroduction au RLHF\nDPO\nKTO\n\nBonnes pratiques du prompt engineering\n\nPrincipled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4\nGraph of Thoughts\n\n\n\nLibrairies et ressources\nLLM platform - Ollama\nPipelines et orchestration LLM - LangChain - LlamaIndex - Haystack\nRAG - Graph RAG\nEvaluation - SelfCheckGPT",
+    "text": "II - Développement\n\nPlateforme de partage de modèles\n\nHuggingFace\n\n\n\nArticles de recherche centraux\nTransformers\n\nPapier original ‘Attention Is All You Need’\nExplication illustrée et très détaillée\nLes différents types de modèles\nLes Mixture of Experts\n\nFine-tuning\n\nLoRA\nQLoRA\nDoRA\nIntroduction au RLHF\nDPO\nKTO\n\nBonnes pratiques du prompt engineering\n\nPrincipled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4\nGraph of Thoughts\n\nEvaluation (métriques)\n\n\n\nBasée sur embeddings\nBasée sur modèle fine-tuné\nBasé sur LLM\n\n\n\n\nBERTScore\nUniEval\nG-Eval\n\n\nMoverScore\nLynx\nGPTScore\n\n\n\nPrometheus-eval\n\n\n\n\nEvaluation (frameworks) - Ragas (spécialisé pour le RAG) - Ares (spécialisé pour le RAG) - Giskard - DeepEval\nEvaluation (RAG) - Evaluation of Retrieval-Augmented Generation: A Survey - Automated Evaluation of Retrieval-Augmented Language Models with Task-Specific Exam Generation\nEvaluation (divers) - Prompting strategies for LLM-based metrics - LLM-based NLG Evaluation: Current Status and Challenges - Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena\n\n\nLibrairies et ressources\nLLM platform - Ollama\nPipelines et orchestration LLM - LangChain - LlamaIndex - Haystack\nRAG - Graph RAG\nEvaluation - SelfCheckGPT",
     "crumbs": [
       "Bibliographie"
     ]
diff --git a/sitemap.xml b/sitemap.xml
index c927115..ed49ac8 100644
--- a/sitemap.xml
+++ b/sitemap.xml
@@ -2,78 +2,78 @@
 
   
     https://etalab.github.io/programme10pourcent-kallm/IV-Exemples/2_Classification_accords_entreprise.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/I-Accompagnement/4_Impacts.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/I-Accompagnement/2_Deja_Fait_Admin.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/II-Developpements/4_Evaluations.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/II-Developpements/0_Introduction.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/II-Developpements/3_RAG.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/notebooks/10p_RAG_OLLAMA.html
-    2024-11-07T15:43:22.880Z
+    2024-11-07T15:51:20.528Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/III-Deploiements/1_Socle_minimal.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/III-Deploiements/3_Socle_Production.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/Reste_a_faire.html
-    2024-11-07T15:43:22.868Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/III-Deploiements/2_Socle_avance.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/III-Deploiements/4_Infras_administrations.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/Bibliographie.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/notebooks/autres/parse_llama31_results.html
-    2024-11-07T15:43:22.880Z
+    2024-11-07T15:51:20.528Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/II-Developpements/1_Anatomie_LLM.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/II-Developpements/2_Utilisation_LLM.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/index.html
-    2024-11-07T15:43:22.880Z
+    2024-11-07T15:51:20.528Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/I-Accompagnement/1_cas_usage.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z
   
   
     https://etalab.github.io/programme10pourcent-kallm/I-Accompagnement/3_Acculturation.html
-    2024-11-07T15:43:22.864Z
+    2024-11-07T15:51:20.512Z