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.
54 lines
2.2 KiB
54 lines
2.2 KiB
# Домашний индекс
|
|
|
|
**Цель:**
|
|
Построить векторный индекс хотя бы по 1 млн научных статей.
|
|
Дальнейшее развитие: 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
|
|
|