me está sirviendo mucho tu video para un curso que estoy haciendo, sería genial si puedes hacer algo similar para recomendación y clasificación. Estás siendo más claro y simple que mi profesor :)
Gracias por compartir tu conocimiento, te pregunto si en vez de un pdf como se entrenaria un modelo que pueda responder preguntas de informacion de una base de datos en SQL, ejemplo un sistema de Ventas.
De hecho, existen muchísimos loaders. Hay manera de conectar y combinar datos desde múltiples fuentes. Probablemente tendríamos que ver de qué manera interactúe con la información. Se me ocurre un par pero tendríamos que probarlo, por ejemplo leyendo el csv o directamente con un conector para volverlo vector. Te recomiendo que revises la documentación de Langchain en la sección de Loaders. Yo haré igual mi chamba y si encuentro como, hago un vídeo para responder está pregunta.
Acabo de encontrar documentación que sustentan que se puede leer desde una base de datos de ventas. python.langchain.com/docs/integrations/toolkits/sql_database Te armó de cualquier manera un vídeo porque yo también quiero intentarlo
@@thcookieh se ven bien estos langchain.agents, estaba viendo ue aun estan en desarrollo seria fantastico que hicieras un video, yo estaba revisando y uno deberia entrenar el modelo programando los posibles querys asociadas, que opinas ?
@@thcookieh estaría buenísimo poder cargar productos y poder preguntar en el chat si hay tal o cual producto, o si el producto Z cuantos meses de garantía tiene, etc. Creo que la gracia en este caso es cargar varios documentos o como se llamen desde la base de datos o csv
consulta ¿usaste chroma solo para el ejemplo y que no tiene costo? ¿en caso de usar pinecone no existiría alguna ventaja? por ejemplo agregar atributos donde si cargo productos podría cargar el codigo de producto y sku. Es solo una consulta porque soy relativamente ignorante en estos temas
Pinecone funciona igual a Chroma, solo sus algoritmos de similitud cambian y dónde y como almacenas las cosas igual. Fácilmente puedes añadir todos los datos que quieras, solo acuérdate que funciona por medio de hacer similitud de conceptos. Si son muy parecidos entre si, es más difícil que pueda diferenciar. Los resultados pueden variar en ciertas dimensiones muy poco por lo que no tendrás resultados buenos. Me alegra que te sea de utilidad, pero me he estado guardando un método más para luego. A ti seguro te sirve un knowledge graph si vas a usar cosas como productos y skus. Investigate un poco, ahí puedes obtener una subsección a la cual puedes luego aplicar similitud y el resultado sale mejor. Un abrazo
rifadisimo broo
Gracias, me alegra que te guste.
la verdad muy buen trabajo !!! capo total, felicidades
Gracias Genio!
Que gusto que te agrade
me está sirviendo mucho tu video para un curso que estoy haciendo, sería genial si puedes hacer algo similar para recomendación y clasificación. Estás siendo más claro y simple que mi profesor :)
El próximo video te lo dedico bro.
@@thcookieh ja ja buenísimo !
Falta un tuto, ando viendo a quien le debo videos.
hola puedes compartir el colach?excelente aprendisaje
Gracias por compartir tu conocimiento, te pregunto si en vez de un pdf como se entrenaria un modelo que pueda responder preguntas de informacion de una base de datos en SQL, ejemplo un sistema de Ventas.
De hecho, existen muchísimos loaders. Hay manera de conectar y combinar datos desde múltiples fuentes.
Probablemente tendríamos que ver de qué manera interactúe con la información.
Se me ocurre un par pero tendríamos que probarlo, por ejemplo leyendo el csv o directamente con un conector para volverlo vector.
Te recomiendo que revises la documentación de Langchain en la sección de Loaders. Yo haré igual mi chamba y si encuentro como, hago un vídeo para responder está pregunta.
Acabo de encontrar documentación que sustentan que se puede leer desde una base de datos de ventas.
python.langchain.com/docs/integrations/toolkits/sql_database
Te armó de cualquier manera un vídeo porque yo también quiero intentarlo
@@thcookieh se ven bien estos langchain.agents, estaba viendo ue aun estan en desarrollo seria fantastico que hicieras un video, yo estaba revisando y uno deberia entrenar el modelo programando los posibles querys asociadas, que opinas ?
Te acabo de dedicar un video para poder resolver este dilema. Espero lo disfrutes.
@@thcookieh estaría buenísimo poder cargar productos y poder preguntar en el chat si hay tal o cual producto, o si el producto Z cuantos meses de garantía tiene, etc. Creo que la gracia en este caso es cargar varios documentos o como se llamen desde la base de datos o csv
pls,comparte el colab.
Me parecio super interesante el uso de LLM fuera de chatgpt
Estaba pensando en hacer esto. Mándame un mensaje y te lo paso
consulta ¿usaste chroma solo para el ejemplo y que no tiene costo? ¿en caso de usar pinecone no existiría alguna ventaja? por ejemplo agregar atributos donde si cargo productos podría cargar el codigo de producto y sku. Es solo una consulta porque soy relativamente ignorante en estos temas
Pinecone funciona igual a Chroma, solo sus algoritmos de similitud cambian y dónde y como almacenas las cosas igual.
Fácilmente puedes añadir todos los datos que quieras, solo acuérdate que funciona por medio de hacer similitud de conceptos. Si son muy parecidos entre si, es más difícil que pueda diferenciar.
Los resultados pueden variar en ciertas dimensiones muy poco por lo que no tendrás resultados buenos.
Me alegra que te sea de utilidad, pero me he estado guardando un método más para luego. A ti seguro te sirve un knowledge graph si vas a usar cosas como productos y skus.
Investigate un poco, ahí puedes obtener una subsección a la cual puedes luego aplicar similitud y el resultado sale mejor.
Un abrazo