{"type":"video","version":"1.0","html":"<iframe src=\"https://www.loom.com/embed/3753ae9cbf4a410184ead8088ca5bf85\" frameborder=\"0\" width=\"1850\" height=\"1387\" webkitallowfullscreen mozallowfullscreen allowfullscreen></iframe>","height":1387,"width":1850,"provider_name":"Loom","provider_url":"https://www.loom.com","thumbnail_height":1387,"thumbnail_width":1850,"thumbnail_url":"https://cdn.loom.com/sessions/thumbnails/3753ae9cbf4a410184ead8088ca5bf85-5d8fbc650f61045a.gif","duration":5473.272,"title":"Lang{chain, graph, smith} - 09 LangSmith, créer un environnement d'évaluation pour améliorer vos assistants IA","description":"Dans cette vidéo d’un peu plus d’une heure, j’explique comment utiliser LangSmith et LangGraphStudio pour suivre et déboguer mes projets LangChain. Je commence par présenter les difficultés que l’on peut rencontrer sur des graphes complexes, puis je montre pas à pas la configuration d’un environnement Python, le chargement des variables via le fichier config.env et la connexion à la plateforme LangChain. J’en profite pour illustrer la génération de traces, l’annotation automatique ou manuelle, la création de jeux de données de test (datasets) et la mise en place d’un « juge » qui compare les réponses d’un assistant à des réponses idéales. Mon objectif est de vous guider dans la validation automatique d’un chatbot ou d’un graphe LangChain, en affinant les prompts et la configuration, et en observant l’évolution de la qualité et du coût d’utilisation dans les tableaux de bord de LangSmith."}