---
timestamp: "00:00"
marker: "!"
title: "Introduction et démonstration de l'agent IA"
quote: "Je vais vous montrer comment construire un agent IA local en quelques minutes en utilisant Python."
details:
La vidéo présente un tutoriel complet pour créer un agent IA capable d'analyser des avis clients sur un restaurant de pizza. L'objectif est de permettre à l'IA de répondre à des questions spécifiques en se basant sur des documents locaux comme des fichiers CSV ou PDF, sans nécessiter d'API externe comme OpenAI.
L'auteur démontre immédiatement l'application finale où l'agent peut répondre à des questions comme "Quelle est la qualité des pizzas ?" ou "Y a-t-il des options véganes ?" en analysant un fichier CSV contenant des avis fictifs. L'agent extrait les avis pertinents et fournit une synthèse.
L'approche utilise la "génération augmentée par récupération" (Retrieval Augmented Generation), combinant une base de données vectorielle (Chroma DB) avec un modèle de langage local (via Ollama). Cette méthode permet d'éviter les hallucinations du modèle en l'ancrant dans des données concrètes.
L'ensemble de la stack technique est open-source et fonctionne localement : Python, LangChain pour l'orchestration, Ollama pour exécuter les modèles LLM localement, et Chroma DB comme base de données vectorielle. L'auteur insiste sur le fait que tout fonctionne sans abonnement payant.
---
---
timestamp: "00:02"
marker: "!"
title: "Configuration initiale et installation des dépendances"
quote: "Nous allons commencer par créer un environnement virtuel et installer les dépendances nécessaires."
details:
La première étape technique consiste à configurer un environnement Python isolé. L'auteur explique en détail comment créer et activer un virtualenv, que ce soit sur Windows (.\env\Scripts\activate) ou Mac/Linux (source env/bin/activate).
Les dépendances principales à installer via pip sont : langchain (pour l'orchestration), langchain-community (pour les intégrations), et langchain-chroma (pour la base de données vectorielle). L'auteur montre comment les installer soit via un fichier requirements.txt soit manuellement.
Une attention particulière est portée sur l'installation de pandas, nécessaire pour lire le fichier CSV contenant les avis. L'auteur montre comment l'ajouter aux dépendances et l'installer dans l'environnement virtuel.
Cette section met l'accent sur les bonnes pratiques de développement Python, notamment l'isolation des environnements et la gestion propre des dépendances, cruciales pour la reproductibilité du projet.
---
---
timestamp: "00:04"
marker: "!"
title: "Installation et configuration d'Ollama pour les modèles locaux"
quote: "Ollama nous permet d'exécuter des modèles localement sur notre propre matériel."
details:
L'auteur introduit Ollama, un logiciel open-source permettant de télécharger et d'exécuter des modèles de langage localement. Il explique comment le télécharger depuis ollama.com et vérifier son installation via la ligne de commande.
Deux modèles sont nécessaires : un modèle principal (llama3:8b) pour les réponses et un modèle d'embedding (mxbai-embed-large) pour la conversion du texte en vecteurs. L'auteur montre comment les télécharger via `ollama pull`.
Des conseils sont donnés sur le choix des modèles en fonction du matériel disponible. Pour les machines sans GPU, l'auteur recommande des modèles plus légers comme llama3:2b, tout en avertissant que les performances seront moindres.
Cette section explique le concept fondamental des embeddings, essentiels pour la recherche vectorielle. Les embeddings transforment le texte en représentations numériques permettant des comparaisons sémantiques entre documents.
---
---
timestamp: "00:08"
marker: "!"
title: "Mise en place du modèle de langage avec LangChain"
quote: "LangChain simplifie considérablement le travail avec les LLMs en Python."
details:
Le code commence par importer les composants nécessaires depuis LangChain : Ollama (pour le modèle), ChatPromptTemplate (pour structurer les prompts), et les fonctions de chaînage. L'auteur explique le rôle de chaque import.
Un template de prompt est créé pour guider le modèle : "Vous êtes un expert dans les avis sur les restaurants de pizza. Voici des avis pertinents : {reviews}. Question : {question}". Ce template structure l'interaction avec l'IA.
L'auteur construit une "chaîne" LangChain qui combine le template et le modèle. Cette abstraction permet de gérer facilement le flux : entrée utilisateur → prompt formaté → modèle → réponse.
Une démonstration est faite avec un test minimal où le modèle répond à une question sans contexte (ce qui produit une hallucination), illustrant la nécessité d'ajouter la recherche vectorielle.
---
---
timestamp: "00:13"
marker: "!"
title: "Intégration de la recherche vectorielle avec Chroma DB"
quote: "La recherche vectorielle va nous permettre de trouver rapidement les informations pertinentes."