Verwendung von Amazon Nova-Modellen in Elasticsearch
Erfahren Sie, wie Sie Amazon Nova-Modelle in Elasticsearch verwenden können, um Sentiment, Authentizität, Zusammenfassungen und Schlüsselwörter automatisch aus Produktbewertungen in Elasticsearch zu extrahieren.
Verbinden Sie Agenten mit Elasticsearch mit dem Model Context Protocol
Lassen Sie uns den Model Context Protocol-Server verwenden, um mit Ihren Daten in Elasticsearch zu chatten.
Aufbau eines multimodalen RAG-Systems mit Elasticsearch: Die Geschichte von Gotham City
Erfahren Sie, wie Sie ein multimodales Retrieval-Augmented Generation (RAG)-System erstellen, das Text-, Audio-, Video- und Bilddaten integriert, um eine umfassendere, kontextualisierte Informationsbeschaffung zu ermöglichen.
Verwenden von Ollama mit der Inference-API
Erfahren Sie, wie Sie Ollama mithilfe der Inference API in Elasticsearch integrieren.
Lokales Testen von DeepSeek R1 für RAG mit Ollama und Kibana
Erfahren Sie, wie Sie eine lokale Instanz von DeepSeek ausführen und sich von Kibana aus damit verbinden.
Facettensuche: KI zur Verbesserung des Suchumfangs und der Suchergebnisse
Erfahren Sie, wie Sie mit der Facettensuche in Elasticsearch die Optionen innerhalb von Kategorien schnell eingrenzen können.
Wie man den Elasticsearch Vector Store Connector für Microsoft Semantic Kernel zur Entwicklung von KI-Agenten verwendet
Microsoft Semantic Kernel ist ein leichtgewichtiges Open-Source-Entwicklungskit, mit dem Sie auf einfache Weise KI-Agenten erstellen und die neuesten KI-Modelle in Ihre C#-, Python- oder Java-Codebasis integrieren können. Mit der Veröffentlichung des Semantic Kernel Elasticsearch Vector Store Connectors können Entwickler, die Semantic Kernel zum Erstellen von KI-Agenten verwenden, Elasticsearch nun als skalierbaren Vektorspeicher der Enterprise-Klasse einbinden und gleichzeitig die Abstraktionen von Semantic Kernel weiterhin nutzen.
LangChain4j mit Elasticsearch als Einbettungsspeicher
LangChain4j (LangChain für Java) verwendet Elasticsearch als eingebetteten Speicher. Erfahren Sie, wie Sie damit Ihre RAG-Anwendung in reinem Java erstellen können.
Wir stellen LangChain4j vor, um die LLM-Integration in Java-Anwendungen zu vereinfachen.
LangChain4j (LangChain für Java) ist ein leistungsstarkes Toolset, mit dem Sie Ihre RAG-Anwendung in reinem Java erstellen können.
Fortgeschrittene RAG-Techniken Teil 2: Abfragen und Testen
Diskussion und Umsetzung von Techniken zur Steigerung der RAG-Leistung. Teil 2 von 2, mit Schwerpunkt auf Abfragen und Tests einer erweiterten RAG-Pipeline.
Erweiterte RAG-Techniken Teil 1: Datenverarbeitung
Diskussion und Umsetzung von Techniken zur Steigerung der RAG-Leistung. Teil 1 von 2, der sich auf die Datenverarbeitungs- und Aufnahmekomponente einer fortschrittlichen RAG-Pipeline konzentriert.
Schutz sensibler und personenbezogener Daten in RAG mit Elasticsearch und LlamaIndex
Wie man sensible Daten und personenbezogene Daten in einer RAG-Anwendung mit Elasticsearch und LlamaIndex schützt.