{"type":"video","version":"1.0","html":"<iframe src=\"https://www.loom.com/embed/e0dae18903bf42baaf4d0cedec0e64f6\" 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/e0dae18903bf42baaf4d0cedec0e64f6-404babe97ba3f745.gif","duration":2151.302,"title":"02 - créer un vector store de connaissances","description":"Description générique :\nDans cette vidéo, nous explorons les bases de la création d’un système RAG (Retrieval-Augmented Generation). Nous abordons les limitations des premières générations de RAG, la configuration d’un Vector Store, et l’intégration avec des outils comme Make.com et OpenAI. Ce tutoriel pratique vous guide pas à pas à travers la collecte, l’encodage et le stockage de données RSS pour développer un modèle capable de traiter des questions complexes en exploitant des données structurées."}