{"type":"video","version":"1.0","html":"<iframe src=\"https://www.loom.com/embed/205800f129c44f1b93a82f82ba8350d5\" frameborder=\"0\" width=\"1920\" height=\"1440\" webkitallowfullscreen mozallowfullscreen allowfullscreen></iframe>","height":1440,"width":1920,"provider_name":"Loom","provider_url":"https://www.loom.com","thumbnail_height":1440,"thumbnail_width":1920,"thumbnail_url":"https://cdn.loom.com/sessions/thumbnails/205800f129c44f1b93a82f82ba8350d5-f900126163bb09d3.gif","duration":2368.821,"title":"01  - In Context Learning","description":"Dans cette vidéo, je discute de l'apprentissage de Retriever Augmented Generation, en mettant en avant l'importance de la restitution des connaissances préalablement vues par le modèle. Je présente les défauts des systèmes actuels, en mentionnant une publication clé de 2020. Je recommande la lecture d'un document spécifique pour approfondir le sujet.\n\nDescription Générique\nDans cet épisode, nous plongeons dans le fonctionnement des modèles de langage, leurs phases d'entraînement, leurs limites et les solutions innovantes comme l'in-context learning et les bases de données vectorielles. Préparez-vous à explorer des concepts techniques et fascinants qui redéfinissent l'intelligence artificielle appliquée au traitement du langage naturel."}