00:02Salut, c'est Quentin

00:05Dans cette vidéo, je vais vous montrer comment créer un système de RAG sur n8n en utilisant Qdrant

00:07Qdrant, c'est une base de données vectorielle, ok? Ça va nous permettre, du coup, d'interagir avec cette base de données et, par exemple, stocker des data, tel que des PDF

00:14Alors, vous allez me dire oui, mais Quentin, il y a énormément d'applications qui permettent déjà de le faire

00:20Cependant, vous ne serez pas en capacité de connecter, bah, toutes ces applications qui permettent de faire exactement la même chose directement dans vos autres workflow, dans vos autres agents IA, de les customiser

00:29Et que ça soit scalable, parce qu'il faut savoir que n8n et Qdrant sont scalables

00:35Petit aparté, si tu as un projet à réaliser, je t'incite à prendre un rendez-vous avec moi directement dans la description

00:45Donc, la première étape, c'est d'installer n8n, qui est donc le logiciel d'automatisation qu'on va utiliser pour réaliser ce projet

00:51Ok, une fois que vous l'avez installé, sachant que vous pouvez l'installer aussi directement sur votre ordinateur via Docker, vous pouvez, sinon, utiliser la version Cloud classique, ou vous pouvez le mettre sur un Cloud tel que Digital Ocean pour payer moins cher

01:05Donc, une fois que vous l'avez téléchargé, vous aurez accès à votre dashboard, ok ? Vous pouvez créer un nouveau workflow

01:11Alors, moi effectivement, j'ai déjà créé le workflow que je vais vous présenter

01:14Donc, on va tester le workflow pour voir comment la data passe à l'intérieur

01:19Donc, j'appuie sur "test workflow", ok ? Vous voyez que la data passe sur le côté gauche

01:27Alors, qu'est-ce qui s'est passé exactement ? Donc, premièrement, on a un trigger, c'est-à-dire qu'on va lancer le workflow sur "when clicking test workflow button"

01:35Donc, à chaque fois qu'on va cliquer, ça va lancer le workflow, on pourrait très bien mettre Un autre trigger, que ça soit un chat, que ça soit un webhook, que ça soit un autre agent, et cetera

01:45Une fois que c'est fait, on va mettre un nœud qui s'appelle "set Google Drive file URL", donc on va récupérer une file

01:53Cette file, c'est effectivement le document qu'on aimerait télécharger directement dans notre base de données vectorielle pour pouvoir, par la suite, interagir avec elle

02:01Donc vous pouvez effectivement mettre une variable, ou vous pouvez mettre plusieurs files si vous voulez télécharger beaucoup de PDF différents

02:08Une fois que c'est fait, on va download, donc on va télécharger la file en question, ok

02:14Donc, la file en question, c'est, comme vous le voyez juste ici, Bitcoin: peer to peer electronic cash system

02:20Ok, une fois que c'est fait, on va créer un autre nœud qui va nous permettre d'extraire le PDF, extract from PDF

02:28Ok, ce qui va nous permettre de télécharger ce PDF et de le mettre dans notre base de données vectorielle Qdrant

02:35Donc, on va prendre à gauche le PDF et on va le mettre directement dans notre base de données

02:40Je vais vous montrer effectivement comment connecter vos CRMs, que ça soit Google Drive ou que ça soit Qdrant

02:45Ensuite, on va le connecter à un modèle, bah, IA, duming personnellement, je

02:51choisis open, je vais vous montrer comment chercher cet API spécifiquement, ok? Comme vous le voyez juste ici, j'ai choisi le texte basing 3 small, qui est donc le modèle qui va nous permettre de réaliser de l'UM basing

03:02Ensuite, on va le connecter à un nœud default data loader, ok? On va connecter quadrant, un default data loader et enfin un nœud qui s'appelle récursive caractère text splitter avec un chunk size 2 1000

03:18Voyons la partie credenti, c'est comment est-ce qu'on va récupérer les identifiants externes pour connecter à la fois Google Drive, quadrant et GPT? Donc pour Google Drive, comme vous voyez vous Vous pouvez cliquer sur le nœud, OK, et ensuite "credentials to connect with"

03:31Donc, vous pouvez connecter votre compte

03:33Alors, moi, j'ai déjà connecté mon compte, mais si vous n'avez pas encore connecté votre compte, ce que vous devez faire, c'est que vous devez aller dans Google Cloud, OK

03:43Ensuite, une fois que vous êtes dans Google Cloud, vous aurez accès, effectivement, à vos identifiants, à un écran de consentement, et on a trois choses à faire

03:51Premier élément, on doit aller dans notre écran de consentement, OK

03:54Si vous n'avez jamais réalisé l'opération, vous allez devoir remplir tous les éléments à l'intérieur de cet écran

04:01OK, vous devez remplir tous ces éléments, OK? Ensuite, vous allez dans Google Drive API et vous devez activer l'API de Google Drive, OK? Donc vous devez cliquer sur Google Drive API et l'activer

04:16Une fois que c'est fait, le dernier élément qu'on doit réaliser, bah, c'est de récupérer les "CR ch"

04:20Pour récupérer les "qu ch", on va dans "identifiant", OK? Donc vous allez dans "identifiant", vous créez des identifiants et après vous les connectez directement à l'intérieur de ce nœud

04:30Le reste est plutôt simple

04:32Donc ça, c'était pour la partie sur Google Drive

04:34Ensuite, la partie sur GPT editing, bon ben, c'est très simple, vous allez sur Google, vous tapez OpenAI, OpenAI, OK, et vous allez récupérer effectivement votre API

04:49Vous allez créer une API, vous allez la récupérer

04:53Donc si vous n'avez pas de compte OpenAI, il va falloir que vous en créez un

04:57Une fois que vous avez créé votre compte, vous allez dans "Your profile", OK

05:02Vous aurez accès à gauche aux API key

05:04Vous allez pouvoir créer une API

05:06Vous voyez, effectivement, moi j'ai créé plusieurs API

05:08Vous faites "Create a new secret key" et vous prenez cette clé, OK, que vous connectez aussi directement dans n8n

05:16Une fois que c'est fait, on va connecter Qdrant

05:18Donc, pour connecter Qdrant, il va falloir créer un compte

05:25Quadrant, alors pourquoi on va utiliser une base de données dites vecteur? C'est parce que dans le contexte de la, on a besoin de vectoriser nos données pour pouvoir aller les chercher plus rapidement et aller les insérer dans nos LLM

05:36Donc, comme vous voyez, high performance vector search at scale, ce qui est intéressant avec Quadrant, c'est que vous pouvez à la fois l'installer en local et vous pouvez aussi le mettre dans le Cloud

05:45Donc vous avez les deux possibilités, sachant que la partie dans le Cloud, si vous faites des petits projets, il n'y a même pas besoin de le payer une fois que vous êtes créé un compte sur

05:55Qdrant, on va créer un ce qu'on appelle un cluster

05:57Vous allez dans "create", OK, et ensuite vous allez tout simplement créer le cluster en question, OK, sauf que moi j'ai déjà créé un cluster, donc on va aller dans "details", OK

06:10Vous voyez l'endpoint de mon cluster, vous avez l'API key que vous avez donc connectée effectivement sur votre workflow n8n, OK, et vous avez aussi "Access database"

06:25Donc on va cliquer sur "Open dashboard" et quand vous allez cliquer dans ce dashboard, vous aurez accès aux configurations pour votre base de données

06:32Donc on va aller dans la console et dans la console, on va créer une base de

06:37données dans laquelle on va stocker nos PDF pour créer la base de données

06:39Il faut remplir ce petit code, "put collection"

06:44Là, vous mettez le nom de votre base de données

06:46Moi, je l'ai appelé "rag test" pour, effectivement, pour la vidéo

06:50Ensuite, vous avez "vecteur", la taille et la distance

06:53Bon, vous avez différents types de distance, vous avez "dot", vous avez "cosine", et en général, la size conseillée, c'est 1536

07:00Une fois que vous avez lancé ce code, ça va tout simplement créer la collection

07:05Qu'est-ce qu'on appelle une collection ? C'est là où vous allez pouvoir stocker vos données

07:08Je vais vous montrer lorsqu'on va dans collection, vous voyez que j'ai deux bases de données, j'ai une base de données qui s'appelle "M Journey" et celle qui s'appelle "R test"

07:17Je vous ai montré juste avant comment effectivement vous pouvez la créer

07:21Une fois que c'est fait, on peut cliquer dessus et vous avez accès à des données intéressantes

07:26Vous avez le contenu, ça c'est effectivement lorsque j'ai fait des tests précédents, qui met l'intérieur des documents que je lui ai donné, donc les documents sur le Bitcoin, ok

07:38Ensuite, vous avez aussi "info search quality", ce qui est intéressant, vous avez "visualize", ce qui est incroyable avec les bases de données vectorielles, c'est que vous avez aussi un aspect graphe, c'est-à-dire que vous pouvez visualiser où se trouvent les données

07:51Voyez la limite du nombre de données qu'on peut mettre et après vous voyez physiquement où se trouvent les différents points

07:59Donc, lorsque vous avez des données qui se ressemblent, par exemple, vous aurez deux images similaires, elles seront forcément à côté et si on va de l'autre côté, logiquement, ça ne se ressemble absolument pas, comme vous voyez ce point juste ici et ce point par exemple ici

08:14Par contre, si on met deux points juste à côté, par exemple celui-ci et celui-ci

08:15On voit que ça ressemble étrangement, donc c'est ce qui est vachement intéressant avec les bases de données vectorielles notamment

08:25Donc, une fois que vous avez connecté votre base de données à l'intérieur de n8n, comme je vous ai montré où était l'API, on va pouvoir discuter avec cette base de données, ok? Pour discuter avec cette base de données, on aura besoin d'un nœud, d'un chat, ok? Donc on va pouvoir discuter avec lui

08:40Donc, on va créer un nœud qui s'appelle chat, comme vous pouvez le voir juste ici en haut à droite, chat trigger, ok? Ensuite, on va mettre un nœud question and answer chain, on va mettre l'input du chat

08:50Qu'on a écrit juste avant, on a un modèle pour interpréter effectivement ce chat

08:56Donc moi, j'utilise Open AI, mais vous pouvez utiliser, bah, d'autres modèles

09:01Si vous voulez utiliser d'autres modèles, il n'y a absolument pas de souci de ce côté

09:05Ensuite, on va retrieve, donc RET, on va récupérer la data directement à l'intérieur de l'endroit où on a stocké effectivement, bah, la donnée, donc à nouveau dans Qdrant

09:13Donc on prend un nœud Vector Store Retriever, on met une limite, moi j'ai mis une limite de 4

09:20Ensuite, vous connectez Qdrant, ok, donc là j'ai dû choisir la collection que j'ai créé, RAG test, que je vous ai montré précédemment, et ensuite on va récupérer un modèle de Bing comme je vous ai montré, et qu'on va connecter directement au quadrant vector

09:35Ensuite, on va discuter effectivement avec le chat, donc par exemple, je peux lui dire "peux-tu me donner des précisions sur le mode de paiement relatif au Bitcoin?" Ok, il va récupérer le PDF qu'on lui a donné précédemment pour pouvoir discuter avec lui, comme vous le voyez juste en haut à droite

09:54Ok, il va me répondre "le Bitcoin est un système de paiement électronique de pair à pair qui permet des paiements directement d'une partie à une autre sans passer par une..." institution financière

10:02Donc, pour vérifier comment il a fonctionné, on peut aller dans "exécution" en haut à droite

10:06OK, et quand vous allez dans "exécution", vous pouvez voir le flow du workflow

10:15Donc, vous voyez bien que le dernier flow, ce qu'il a fait, c'est qu'il a pris le chat trigger, après il est allé dans question and answer chain, donc le Bitcoin est un système de paiement électronique, et cetera

10:24OK, il a récupéré dans Qdrant, donc on devrait voir effectivement "page content"

10:29Donc, voyez le contenu qu'il a récupéré, metadata source blop line, OK, qu'il a récupéré dans le PDF qu'on lui a fourni juste avant cette vidéo

10:42J'espère qu'elle vous a plu

10:42Si vous voulez effectivement que je vous présente d'autres workflows d'automatisation et d'autres agents, directement sur n8n ou utiliser d'autres technologies, je vous laisse vous abonner à ma chaîne, ça m'aide toujours grandement.