Meetup ElasticFR #93 - Canal+

Merci de penser à libérer vos places minimum la veille de l'évènement, si vous ne pouvez pas venir.

Agenda

• Food & drinks
• Ouverture des portes
• Update sur Elastic (5 minutes)
• Talk 1: Traversée d'un Graphe, avec des millions de relations, pour améliorer un RAG, avec Elasticsearch (20 minutes)
• Talk 2: Recommandation content-to-content avec Elasticsearch KNN (20 minutes)
• Food & drinks

Traversée d'un Graphe, avec des millions de relations, pour améliorer un RAG, avec Elasticsearch
Par Ivan Monnier, Technical architect NLP & Louis Jourdain, AI engineer, Groupe ChapsVision

Vous cherchez à améliorer votre RAG (Retrieval Augmented Generation) ? Beaucoup de monde vous dit que la solution est vers les graphes, mais personne ne vous dit concrètement comment vous y prendre. Vous n'avez aucune envie de rajouter une base de graphes à votre stack. Comment faire ?
Nous vous proposons du concret, une méthode, et une solution pour faire du graphe sur des millions de relations, en pur Elasticsearch, sans base de graphe.

Recommandation content-to-content avec Elasticsearch KNN
Par Bingqian Shu, Stagiaire, Canal+

Au cours de cette session, nous explorerons l’utilisation de l’algorithme K-Nearest Neighbors (kNN) d'Elasticsearch pour enrichir notre système de recommandation content-to-content.
Nous verrons comment construire des vecteurs pour divers contenus en nous appuyant sur les données de Canal+ et en intégrant des informations de tags. Ensuite, nous plongerons dans les mécanismes du kNN approximatif, en particulier le graphe HNSW, afin d'analyser le calcul de similarité approximative entre vecteurs.
À travers des métriques d’évaluation et des cas concrets, nous découvrirons comment cette méthode optimise la vitesse des systèmes de recommandation tout en préservant la pertinence des résultats.