You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
projs-2024-autumn/Индекс.md

53 lines
2.2 KiB

1 month ago
# Полезные ссылки для построения индекса
**Цель:**
Построить векторный индекс хотя бы по 1 млн научных статей. В дальнейшем можно использовать для https://cloud.google.com/use-cases/retrieval-augmented-generation + строить суммаризацию поверх.
**Задачи:**
- выбор надежного (?) pdf-парсера для сохранения информации
- выбор векторной базы + загрузка содержимого pdf в них
- написание тестовых запросов
# Материалы
## Базы
- https://github.com/qdrant/qdrant
- https://github.com/crate/crate
- https://github.com/weaviate/weaviate
- https://github.com/chroma-core/chroma
- https://github.com/milvus-io/milvus
- elastic search
## Библиотеки для парсинга
- https://github.com/Filimoa/open-parse/tree/main
- https://github.com/jsvine/pdfplumber
- https://github.com/topics/pdf-parser
- https://github.com/py-pdf/pypdf
- https://github.com/smalot/pdfparser
- https://github.com/jstockwin/py-pdf-parser
- https://github.com/RDFLib/rdflib
- https://pypi.org/project/camelot-py/
- https://pypi.org/project/tabula-py/
- apach-tika
**AI парсилки**
Здесь пример zero-shot pdf extraction на основе gpt-mini: https://github.com/getomni-ai/zerox?tab=readme-ov-file внутри есть ссылки на другие платные альтернативы:
- https://aws.amazon.com/textract/pricing/#:~:text=Amazon%20Textract%20API%20pricing
- https://cloud.google.com/document-ai/pricing
- https://azure.microsoft.com/en-us/pricing/details/ai-document-intelligence/
- https://unstructured.io/api-key-hosted#:~:text=Cost%20and%20Usage%20%0AGuidelines
Здесь evaluation разных Multimodal Large Language Models: https://github.com/BradyFU/Awesome-Multimodal-Large-Language-Models/tree/Evaluation
## Суммаризация
### LLM
Фреймворк для сборки приложений на основе LLM: https://github.com/langchain-ai/langchain?tab=readme-ov-file
### Text embeddings
- https://qdrant.github.io/fastembed/
- https://github.com/qdrant/qdrant