Visitez Search Labs pour consulter les derniers articles et didacticiels sur l'utilisation d'Elasticsearch pour les expériences de recherche et de recherche basées sur l'IA/ML.
Ce dépôt contient des notebooks Python exécutables, des exemples d'applications et des ressources pour tester la plateforme Elastic :
Découvrez comment utiliser Elasticsearch comme base de données vectorielle pour stocker des intégrations et optimiser les expériences de recherche hybride et sémantique.
Créez des cas d'utilisation tels que la génération augmentée de récupération (RAG), la synthèse et la réponse aux questions (QA).
Testez les fonctionnalités de pointe et prêtes à l'emploi d'Elastic, telles que Elastic Learned Sparse Encoder et la fusion de rangs réciproques (RRF), qui produisent les meilleurs résultats de leur catégorie, sans formation ni réglage.
Intégrez des projets tels qu'OpenAI, Hugging Face et LangChain, et utilisez Elasticsearch comme épine dorsale de vos applications basées sur LLM.
Elastic permet toutes les expériences de recherche modernes optimisées par l'IA/ML.
Ajoutez un favori ou abonnez-vous à Elasticsearch Labs sur Github
Lisez nos derniers articles sur elastic.co/search-labs
Application Chatbot RAG
Recherche de connaissances internes
Atelier de pertinence
Le dossier notebooks contient une gamme de notebooks Python exécutables, vous pouvez donc tester ces fonctionnalités par vous-même. Colab fournit un environnement virtuel Python facile à utiliser dans le navigateur.
question-answering.ipynb
chatbot.ipynb
Essayez Playground dans Kibana avec les notebooks suivants :
OpenAI Example
Anthropic Claude 3 Example
question-answering.ipynb
langchain-self-query-retriever.ipynb
Question Answering with Self Query Retriever
BM25 and Self-querying retriever with elasticsearch and LangChain
langchain-vector-store.ipynb
langchain-vector-store-using-elser.ipynb
langchain-using-own-model.ipynb
Document Chunking with Ingest Pipelines
Document Chunking with LangChain Splitters
Calculating tokens for Semantic Search (ELSER and E5)
Fetch surrounding chucks
00-quick-start.ipynb
01-keyword-querying-filtering.ipynb
02-hybrid-search.ipynb
03-ELSER.ipynb
04-multilingual.ipynb
05-query-rules.ipynb
06-synonyms-api.ipynb
07-inference.ipynb
08-learning-to-rank.ipynb
09-semantic-text.ipynb
10-semantic-reranking-retriever-cohere.ipynb
11-semantic-reranking-hugging-face.ipynb
loading-model-from-hugging-face.ipynb
openai-semantic-search-RAG.ipynb
amazon-bedrock-langchain-qa-example.ipynb
Semantic Search using the Inference API with the Cohere Service
upgrading-index-to-use-elser.ipynb
Voir les directives de contribution.
L'équipe de recherche d'Elastic gère ce référentiel et se fera un plaisir de vous aider.
Si vous disposez d'un abonnement Elastic, vous avez droit aux services de support pour votre déploiement Elasticsearch. Consultez notre page d'accueil pour travailler avec notre équipe d'assistance. Ces services ne s'appliquent pas à l'exemple de code d'application contenu dans ce référentiel.
Essayez de publier votre question sur les forums de discussion Elastic et marquez-la avec #esre-elasticsearch-relevance-engine
Vous pouvez également nous trouver sur le canal #search-esre-relevance-engine de la communauté Elastic Slack.
Ce logiciel est sous licence Apache, version 2 (« ALv2 »).
