Dans cet article, nous allons passer de la théorie à la pratique concrète : créer un index sémantique complet dans Azure AI Search, y injecter des documents avec leurs embeddings, puis interroger cet index depuis une application C#. Le but est de maîtriser toutes les étapes pour exploiter la puissance des recherches vectorielles dans vos applications .NET. Plus...
Dans le monde des bases vectorielles (QDrant, Milvus, Weaviate), choisir la bonne méthode de comparaison entre vecteurs est essentiel. Cela influe directement sur la qualité des résultats, la pertinence sémantique et parfois même la performance.Plus...
Dans l’univers de l’intelligence artificielle, notamment dans les applications de recherche avancée et de traitement du langage naturel, la capacité à comprendre le sens (la sémantique) d’un document est cruciale. C’est ici que les embeddings et les bases vectorielles entrent en jeu.Plus...
Maintenant que vous avez un compte Azure fonctionnel et que vous comprenez les notions de région et de groupe de ressources, il est temps de créer votre premier service Azure OpenAI. Cette étape se fait sans coder, directement depuis l’interface web du portail Azure.Plus...
Bon, le diner et ses boissons du 1er janvier doit être digéré alors passons aux choses sérieuses ! Beaucoup de développeurs utilisent des bibliothèques comme OpenAI.NET pour accéder à l’API d’OpenAI. Pourtant, il est souvent plus judicieux — notamment dans des environnements industriels, allégés ou sensibles — d’appeler directement l’API via HTTP. Plus...