La recherche vectorielle est une méthode utilisée dans la recherche d'informations et l'apprentissage automatique pour trouver des éléments similaires sur la base de leurs représentations mathématiques en tant que vecteurs. Dans cette approche, chaque élément est représenté sous la forme d'un vecteur à dimensions élevées, chaque dimension correspondant à un élément ou à une caractéristique de l'élément. Les algorithmes de recherche vectorielle comparent ensuite ces vecteurs pour trouver des éléments similaires, par exemple s'ils présentent des caractéristiques similaires ou s'ils sont proches les uns des autres dans l'espace vectoriel. Pour en savoir plus, cliquez ici.
L'intelligence artificielle générative ouvre de nouvelles perspectives pour les applications d'entreprise, notamment dans la manière dont les utilisateurs accèdent aux informations stockées dans les documents, les bases de données et les systèmes métiers.
Cependant, les modèles de langage ne disposent pas automatiquement d'un accès aux informations internes les plus récentes d'une organisation.
Les capacités de recherche vectorielle intégrées d'InterSystems IRIS nous permettent de rechercher des données non structurées et semi-structurées. Les données sont converties en vecteurs (également appelés « intégrations »), puis stockées et indexées dans InterSystems IRIS pour la recherche sémantique, la génération augmentée par récupération (RAG), l'analyse de texte, les moteurs de recommandation et d'autres cas d'utilisation.
Il s'agit d'une simple démonstration d'IRIS utilisé comme base de données vectorielles et recherche de similarité sur IRIS.
Après une leçon de mathématiques approfondie, nous allons mettre en pratique nos nouvelles connaissances et créer l'une des meilleures bases de données contextuelles.
Préparez vos loupes et vos chapeaux, car Vector Holmes est de retour !
Vous avez peut-être déjà entendu le terme « recherche de vecteurs ». Ne vous inquiétez pas, cependant ; ce n'est pas "Vector Holmes" qui enquête sur un crime au 221B Baker Street.
Expliquons donc, étape par étape, comment aborder les recherches de données vectorielles.
InterSystems continue de développer les capacités d'IA natives d'IRIS : recherche vectorielle, prise en charge du MCP et capacités d'IA agentique. Cette stratégie est importante et nous n'avons nullement l'intention de faire marche arrière.
Mais le panorama de l'IA évolue également d'une manière qui rend l'intégration au sein de l'écosystème de plus en plus essentielle.
10 h 47 — Les résultats de créatinine de José García arrive sur le serveur FHIR de l'hôpital. 2.1 mg/dL — une augmentation de 35 % par rapport au mois dernier.
Que se passe-t-il ensuite ?
Sans chatbot. Sans invites manuelles.
La vectorisation a notamment pour objectif de rendre le texte non structuré plus exploitable par les machines. Les embeddings vectoriels y parviennent en codant la sémantique du texte sous forme de vecteurs numeric à haute dimensionalité, qui peuvent être utilisés par des algorithmes de recherche avancés (généralement un algorithme de plus proche voisin approximatif tel que Hierarchical Navigable Small World).
Comment configurer le RAG pour les agents OpenAI à l'aide d'InterSystems IRIS Vector DB en Python
Dans cet article, je vous présenterai un exemple d'utilisation d'InterSystems IRIS Vector DB pour stocker des représentations vectorielles et les intégrer à un agent OpenAI.
Pour cette démonstration, nous créerons un agent OpenAI au moyen de connaissances sur la technologie InterSystems.
Dans le paysage actuel des données de santé, FHIR est devenu la norme pour l'échange structuré de données cliniques. Cependant, si FHIR excelle en matière d'interopérabilité, son format JSON rend l'analyse difficile, y compris pour FHIR QuestionnaireResponse.
Ce projet montre la manière de transformer les données FHIR QuestionnaireResponse de JSON emboîté en tables SQL relationnelles et en intégrations vectorielles. En intégrant InterSystems IRIS FHIR SQL Builder et Vector Search, nous révélons la signification sémantique derrière les réponses des patients.
Bonjour à tous,
Excellente nouvelle pour les développeurs qui débutent avec InterSystems IRIS ! Des tutoriels interactifs et pratiques sont disponibles sur la plateforme Instruqt. Idéaux pour une prise en main rapide, des tests en environnement réel et une confiance accrue dans le développement avec IRIS.
.png)
Voici la liste des tutoriels disponibles :
Dans mon article précédent, j'ai présenté le module IRIStool, qui intègre de manière transparente la bibliothèque pandas pour Python à la base de données IRIS. Je vais maintenant vous expliquer comment utiliser IRIStool pour exploiter InterSystems IRIS comme base pour une recherche sémantique intelligente dans les données de soins de santé au format FHIR.
Cet article décrit ce que j'ai fait pour créer une base de données pour mon autre projet, FHIR Data Explorer. Les deux projets sont candidats au concours InterSystems actuel, alors n'hésitez pas à voter pour eux si vous les trouvez utiles.
Ils sont disponibles sur Open Exchange:
Dans cet article, nous aborderons les sujets suivants:
Bonjour à la communauté,
Nous sommes ravis de vous présenter un tout nouveau tutoriel Instruqt :
🧑🏫 RAG avec InterSystems IRIS Vector Search
Ce laboratoire pratique vous guide dans la création d'un chatbot IA basé sur la génération augmentée de récupération (RAG) et optimisé par InterSystems IRIS Vector Search. Vous découvrirez comment la recherche vectorielle peut être exploitée pour fournir des réponses actualisées et précises, en combinant les atouts d'IRIS et de l'IA générative.
.jpg)
✨ Pourquoi l'essayer ?
Découvrez comment concevoir des agents IA évolutifs et autonomes qui combinent raisonnement, recherche vectorielle et intégration d'outils à l'aide de LangGraph.
J'ai dû récemment rafraîchir mes connaissances sur le module EMPI de HealthShare et, comme je travaillais depuis quelque temps sur les fonctionnalités de stockage et de recherche vectorielle d'IRIS, j'ai tout naturellement fait le rapprochement.
Pour ceux d'entre vous qui ne connaissent pas bien les fonctionnalités EMPI, voici une brève introduction:
En général, tous les EMPI fonctionnent de manière très similaire : ils ingèrent les informations, les normalisent et les comparent avec les données déjà présentes dans leur système.
Cet article présente une analyse du cycle de solution pour l'application Open Exchange TOOT ( application Open Exchange)
Un bouton sur une page Web permet de capturer la voix de l'utilisateur. L'intégration IRIS permet de manipuler les enregistrements afin d' extraire la signification sémantique que la recherche vectorielle d'IRIS peut ensuite proposer pour de nouveaux types de solutions d'IA.
.png)
La signification sémantique amusante choisie concernait la recherche vectorielle musicale, afin d'acquérir de nouvelles compétences et connaissances en cours de route.
Qui n'a jamais développé un bel exemple avec une image IRIS Docker et vu la génération de l'image échouer dans le Dockerfile parce que la licence sous laquelle l'image a été créée ne comportait pas certains privilèges ?
Dans mon cas, je déployais dans Docker une petite application utilisant le type de données Vector. Avec la version Community, ce n'est pas un problème, car elle inclut déjà la recherche et le stockage vectoriels. Cependant, lorsque j'ai remplacé l'image IRIS par une image IRIS classique (latest-cd), j'ai constaté que la compilation de l'image, y compris des classes générées, renvoyait l'erreur suivante :
La version 2025.1 de la plateforme de données InterSystems IRIS®, InterSystems IRIS® for HealthTM et HealthShare® Health Connect est désormais disponible. Il s'agit d'une version en maintenance prolongée.
Cette nouvelle version propose plusieurs nouvelles fonctionnalités et améliorations, notamment :
1.
Bonjour à tous,
Voici le premier concours de programmation de l'année, et une surprise vous attend ! Lisez la suite !
🏆 Concours de programmation InterSystems IA : Recherche vectorielle, GenAI et agents IA 🏆
Durée : du 17 mars au 6 avril 2025
Prix : 12 000 $ + une chance d'être invité au Sommet mondial 2025 !
.jpg)
Introduction
Pour atteindre des performances optimisées en matière d'IA, une explicabilité robuste, une adaptabilité et une efficacité dans les solutions de santé, InterSystems IRIS sert de fondation centrale pour un projet au sein du cadre multi-agent x-rAI. Cet article offre une analyse approfondie de la manière dont InterSystems IRIS permet le développement d'une plateforme d'analyse de données de santé en temps réel, permettant des analyses avancées et des informations exploitables. La solution exploite les points forts d'InterSystems IRIS, notamment le SQL dynamique, les capacités natives de recherche vectorielle, la mise en cache distribuée (ECP) et l'interopérabilité FHIR. Cette approche innovante s'aligne directement sur les thèmes du concours « Utilisation du SQL dynamique et SQL intégré », « GenAI, recherche vectorielle » et « FHIR, DME », démontrant une application pratique d'InterSystems IRIS dans un contexte critique de santé.
Traduit du concours d'articles de la communauté espagnole.
Suite au dernier concours de programmation sur OEX j'ai eu une observation surprenante.
Il existait des applications presque exclusives basées sur l'IA en combinaison avec des modules Py précuits.
Mais en creusant plus profondément, tous les exemples utilisaient les mêmes éléments techniques d'IRIS.
Du point de vue d'IRIS, c'était à peu près la même chose que la recherche de texte
ou la recherche d'images ou d'autres motifs. Cela s'est terminé par des méthodes presque échangeables.
Cela me rappelle ma situation privée à la maison.
La version 2024.3 de la plateforme de données InterSystems IRIS®, InterSystems IRIS® for HealthTM et HealthShare® Health Connect est désormais généralement disponible (GA).
Bienvenue au troisième et dernier de nos articles consacrés au développement d'applications RAG basées sur des modèles LLM. Dans ce dernier article, nous examinerons comment, dans le cadre de notre petit projet d'exemple, on peut trouver le contexte le plus approprié pour la question que l'on veut envoyer à notre modèle LLM et, pour ce faire, nous utiliserons la fonctionnalité de recherche vectorielle incluse dans IRIS.
Nous poursuivons cette série d'articles sur les applications LLM et RAG et dans cet article nous traiterons de la partie encadrée en rouge du diagramme ci-dessous:
.png)
Lors de la création d'une application RAG, il est tout aussi important de choisir un modèle LLM qui réponde à vos besoins (formation dans le domaine correspondant, coût, rapidité, etc.) que de définir clairement le contexte que vous souhaitez lui fournir. Commençons par définir le terme afin d'être clair sur ce que nous entendons par contexte.
Motivé par les commentaires personnels de @Edilson Eberle Carvalho et par
une excellente présentation de @Michael Braam concernant la recherche vectorielle,
j'aimerais partager mon approche personnelle des vecteurs.
Lorsque j'ai commencé et que j'ai rencontré des vecteurs à 256, 384 et plus de 1200 dimensions,
je me suis senti perdu.
Cependant, mon exemple Vector-inside-IRIS - une simplification de ris-vector-search - a bien fonctionné.
Afin de comprendre les mécanismes sous-jacents, j'ai décidé de commencer par de petites étapes.
Nos trois dimensions habituelles décrivent très bien notre monde physique.
Une expérience sur la manière d'utiliser le cadre LangChain, la recherche vectorielle IRIS et les LLM pour générer une base de données SQL compatible IRIS à partir des invites utilisateur.
Cet article a été rédigé à partir du carnet suivant. Vous pouvez l'utiliser dans un environnement prêt à l'emploi avec l'application suivante dans OpenExchange.
Tout d'abord, nous devons installer les bibliothèques nécessaires:
!pip install --upgrade --quiet langchain langchain-openai langchain-iris pandas
Nous avons récemment mis à disposition une nouvelle version d'InterSystems IRIS dans le cadre du programme d'accès anticipé à la recherche vectorielle, comprenant un nouvel index Approximate Nearest Neighbor basé sur l'algorithme d'indexation Hierarchical Navigable Small World (HNSW). Cet ajout permet des recherches de voisins les plus proches très efficaces et approximatives sur de grands ensembles de données vectorielles, améliorant considérablement les performances et l'évolutivité des requêtes.
Dans l'article précédent, nous avons présenté l'application d[IA]gnosis développée pour soutenir le codage des diagnostics CIM-10. Dans le présent article, nous verrons comment InterSystems IRIS for Health nous fournit les outils nécessaires à la génération de vecteurs à partir de la liste des codes CIM-10 au moyen d'un modèle de langage pré-entraîné, à leur stockage et à la recherche ultérieure de similitudes sur tous ces vecteurs générés.
Avec l'introduction des types de données vectorielles et de la fonctionnalité de recherche vectorielle dans IRIS, tout un univers de possibilités de développement d'applications s'ouvre et un exemple de ces applications est celui que j'ai récemment vu publié dans un appel d'offres public du Ministère régional de la santé de Valence demandant un outil d'aide au codage de la CIM-10 à l'aide de modèles d'IA.
Comment pourrions-nous mettre en œuvre une application similaire à celle demandée?
Il existe de nombreux articles communautaires intéressants concernant la « recherche vectorielle sur IRIS » et des exemples dans OpenExchange. Chaque fois que je les vois, je suis ravi de savoir que tant de développeurs essaient déjà les vecteurs sur IRIS !
Mais si vous n'avez pas encore essayé la « recherche vectorielle sur IRIS », donnez-moi une minute 😄 Je crée une classe IRIS - et avec une seule classe IRIS, vous pouvez voir comment vous placez les données vectorielles dans votre base de données IRIS et comment vous les comparez dans votre application.
L'intelligence artificielle a un potentiel transformateur pour générer de la valeur et des informations à partir des données. Alors que nous nous dirigeons vers un univers où presque toutes les applications seront pilotées par l'IA, les développeurs qui créent ces applications auront besoin des outils adéquats pour créer des expériences à partir de ces applications. C'est pourquoi nous sommes heureux d'annoncer que la recherche vectorielle a été ajoutée à la plate-forme de données InterSystems IRIS.
