WEBVTT 00:00.860 --> 00:04.520 そして、 フラグとの旅を続けることを歓迎する。 00:04.520 --> 00:08.120 そして今日はリャン・チェンのお披露目だ。 00:08.120 --> 00:12.410 そこでまず、 Hragに関してすでにできることを簡単に覚えておこう。 00:12.410 --> 00:16.280 さて、 前回はHragのシンプルなアイデアについてお話した。 00:16.280 --> 00:21.380 ただ、 関連するコンテクストを検索して、 それをプロンプトに含めることができるというアイデアだ。 00:21.380 --> 00:27.380 そして、 ベクトルについて少し話をし、 テキストがどのようにその意味を表すベクトルにマッピングされるのかについて話した。 00:27.380 --> 00:34.340 そして、 これらのベクトルを使って、 プロンプトに関連するコンテクストをどのように選択するかについて、 よりインテリジェントになろうとすることができる。 00:34.520 --> 00:37.220 そこで今日は、 ラング・チェーンについて話そう。 00:37.220 --> 00:40.400 フレームワークとその長所と短所について説明しよう。 00:40.400 --> 00:47.060 ラングチェーンを使って知識ベースを読み込み、 関連する情報の塊に分割し、 00:47.060 --> 00:51.590 後でベクターデータベースに入れて検索する。 00:51.830 --> 00:54.830 ラング・チェーンの裏話をしよう。 00:54.830 --> 00:56.810 比較的最近のフレームワークだ。 00:56.810 --> 01:11.840 LLMは2022年後半に創設され、 その主な目的は、 人々がLLMアプリケーションを素早く構築できるようにすることである。 01:11.930 --> 01:19.860 ラング・チェーン表現言語と呼ばれる独自の宣言言語がある。 01:19.890 --> 01:23.280 LCLを使うつもりはない。 01:23.280 --> 01:29.820 特にその一部をお見せしますが、 Pythonのコードを使うだけで、 もっと簡単にラング・チェインを使う方法があります。 01:30.330 --> 01:31.980 では、 長所と短所は何か? 01:31.980 --> 01:40.890 そのため、 アシストやラグといった一般的なことを行うアプリケーションの作成が大幅に簡素化される。 01:40.920 --> 01:44.310 これからわかるように、 これは文字通り数行のコードである。 01:44.310 --> 01:46.800 そのため、 市場投入までの時間が非常に短い。 01:46.800 --> 01:50.190 ボロ布のようなものに特別な魔法はない。 01:50.190 --> 01:55.470 プロンプトに追加することでベクターデータベースを検索し、 総当たり的に行うこともできる。 01:55.500 --> 02:01.260 ラングチェーンは標準化され、 単純化され、 すべてを簡単かつ迅速にする。 02:01.290 --> 02:08.520 また、 一般的なモデルのラッパーコードとしても便利で、 一度コードを書いてしまえば、 OpenAIやClaudeのような異なるモデルに切り替えても、 02:08.520 --> 02:17.400 APIのわずかな違いに対処する必要がない。 02:17.400 --> 02:19.680 自分たちでもできると想像できるだろう。 02:19.680 --> 02:26.040 Gradioを使って2つの異なるllmを呼び出したときと同じように、 小さなラッパー関数を書くことができる。 02:26.040 --> 02:28.470 それがラング・チェーンの本質的なやり方だ。 02:28.470 --> 02:32.140 彼らは共通のAPIの周りにラッパーを作った。 02:32.770 --> 02:39.730 LMSのAPIが成熟し、 ますます似たようなものになり、 これを実行するためのコードスクリプトがますます広まるにつれ、 02:39.760 --> 02:51.130 ラング・チェインのような基礎となるフレームワークの必要性は、 おそらく1年前よりも低くなっていると言わざるを得ない。 02:51.370 --> 02:53.020 だからニーズは少し減っている。 02:53.050 --> 03:00.880 ラグのようなもののためにパイプラインを独自に構築している人はたくさんいる。 03:01.000 --> 03:04.810 しかし、 ラング・チェーンはそれでもあなたに圧倒的な先手を与えてくれる。 03:04.810 --> 03:08.620 だから、 今日見てもらうように、 とても便利なフレームワークなんだ。 03:09.670 --> 03:14.050 これからやることは、 ラングチェーンを使ってナレッジベースを読み込むことだ。 03:14.050 --> 03:20.950 まず、 いくつかのツールを使って、 フォルダに保存されているドキュメントをすべて読み込む。 03:21.340 --> 03:28.150 そして、 その文書がどのような文書であるかを示すメタデータを文書に追加する。 03:28.180 --> 03:34.750 そして、 ラングチェーンを使って、 ドキュメントを有用なチャンクに分解します。 チャンクは、 テキストがうまくまとまっていて、 03:34.750 --> 03:41.500 ベクトル化してデータベースに入れる準備が整っているものを表します。 03:42.010 --> 03:45.490 それではJupyterLabに戻りましょう。