Appel de fonction LLM et extraction de données
☰ Table des matières
- But
- Concepts clés du projet
- Appel de fonction
- Appel de fonction avec des outils externes
- Extraction structurée
- Cas d'utilisation des appels de fonctions
- Références
But
Construire un système d'extraction de données de dialogue
- Partie 1 - Décomposition du processus
- Définir les données requises à extraire
- Création d'une base de données pour stocker les données extraites
- Définir les outils pour alimenter la base de données
- Construire des outils pour récupérer des informations
- Partie 2 - Construire l'ensemble du système d'extraction
Accès rapide au notebook : Dialogue_Data_Extraction_System.ipynb
Concepts clés du projet
Appel de fonction
- Appel de fonction unique
- Appel de fonctions multiples
- Appel de fonction parallèle
- Appel de fonction imbriquée
- Pas d'appel
Appel de fonction avec des outils externes
- Interface API
- Outil Python interne
Extraction structurée
- Méthode simple
- Méthode de classe de données
Cas d'utilisation des appels de fonctions
- Cas d'utilisation 1 : extraire des données structurées à partir de données non structurées
- Cas d'utilisation 2 : extraire les données les plus récentes du Web pour auto-apprendre et mettre à jour
- Cas d'utilisation 3 : récupérer des informations à partir de la base de données interne
- Cas d'utilisation 4 : générer un fichier JSON valide
Références
- Ensemble de données sur Hugging Face : SantiagoPG/customer_service_chatbot
- NexusRaven-V2 est utilisé pour procéder à l'appel de fonction, qui provient de Nexusflow.
Ce projet est soutenu par DeepLearning.AI et Nexusflow.
