Introduction to LangChain
- What is LangChain?
LangChain is an open-source framework designed for developing applications powered by Large Language Models (LLMs). It simplifies the process of building LLM-based applications by providing essential tools and functionalities.
Importance of LangChain
- Why do we need LangChain?
Understanding the necessity of LangChain is crucial. It addresses the challenges developers face when creating applications that utilize LLMs, making the development process more efficient and manageable. For a deeper understanding of AI development, check out our summary on A Step-by-Step Roadmap to Mastering AI: From Beginner to Confident User.
Applications of LangChain
- Potential Use Cases:
- Conversational Chatbots:
- Automate customer interactions, reducing the need for extensive call centers.
- AI Knowledge Assistants:
- Provide instant answers to queries based on specific data.
- AI Agents:
- Perform tasks autonomously, such as booking tickets or managing schedules.
- Workflow Automation:
- Streamline processes at personal and professional levels.
- Summarization and Research Assistance:
- Simplify complex documents and provide relevant insights. For more on how AI can assist in research, see our summary on Unlocking Community Building with Learning Tokens - A Comprehensive Guide.
- Conversational Chatbots:
Challenges in Building LLM Applications
- Key Challenges:
- Natural Language Understanding and Text Generation:
- Developing a system that accurately understands and generates context-aware responses.
- Computational Challenges:
- Managing the heavy computational requirements of LLMs.
- System Orchestration:
- Coordinating multiple components effectively. To explore more about overcoming challenges in AI development, check out Exploring mCP: From Novice to Pro in AI Development.
- Natural Language Understanding and Text Generation:
Benefits of Using LangChain
- Key Advantages:
- Chain Concept:
- Create complex pipelines easily.
- Model Agnostic Development:
- Flexibility to switch between different models without major code changes.
- Comprehensive Ecosystem:
- Access to various components and functionalities for seamless integration. For insights into how AI tools can revolutionize software engineering, refer to The Revolutionary Impact of Claude AI: A Game-Changer for Software Engineering.
- Chain Concept:
Alternatives to LangChain
- Other Frameworks:
- LlamaIndex and Haystack are notable alternatives that also facilitate LLM application development.
Conclusion
- LangChain is a powerful tool for developers looking to create LLM-powered applications efficiently. Understanding its features and potential applications can significantly enhance your development journey.
हाय गाइ माय नेम इज नितिश एंड यू वेलकम टू माय क्या और उससे भी ज्यादा इंपॉर्टेंट लैंग
चन की जरूरत क्यों है हम इस वीडियो में यह भी डिस्कस करेंगे कि लैंग चन को यूज करके आप क्या-क्या बना सकते हो और साथ ही साथ
लास्ट में मैं आपको यह भी बताऊंगा कि लैंग चन के और कौन-कौन से पॉपुलर अल्टरनेटिव्स हैं ऑन द होल यह जो वीडियो है यह आपके
दिमाग में एक बहुत ब्यूटीफुल थोरेट्स सेटअप करेगा आगे के वीडियोस के लिए सो दैट इज व्हाई ये वीडियो सुपर इंपोर्टेंट है
बाकी आई एम सुपर एक्साइटेड फॉर दिस प्लेलिस्ट आई रियली होप आप भी हो लेट्स स्टार्ट दिस वीडियो तो चलो गाइ स्टार्ट
करते हैं हम लोग अपना डिस्कशन अराउंड लैंग चन सबसे पहले और सबसे ओबवियस क्वेश्चन यह होगा कि व्हाट इज लैंग चन लैंग चेन है
क्या तो इस क्वेश्चन का आंसर मैं आपको देना चाहूंगा अ इस सिंगल सेंटेंस के थ्रू सो लैंग चन इज एन ओपन सोर्स फ्रेमवर्क फॉर
डेवलपिंग एप्लीकेशंस पावर्ड बाय एलएलएम सो अगर आप एलएलएम बेस्ड कोई भी एप्लीकेशन बनाना चाहते हैं तो उस
एप्लीकेशन को बनाने में आपकी हेल्प जो फ्रेमवर्क करता है वो लैंग चेन है ठीक है अब इस सिंगल सेंटेंस से आपको लैंग चेन का
इंपॉर्टेंस समझ में नहीं आएगा आई ट्रूली फील कि कभी भी आपको कोई भी चीज पढ़नी है तो आपको सबसे पहले यह समझना चाहिए कि उस
चीज की जरूरत क्यों थी ठीक है इफ यू वांट टू स्टडी व्हाट इज x यू शुड नो वई x वाज नीडेड इन द फर्स्ट प्लेस तो मैं भी वही
करने वाला हूं लैंग चन क्या है यह समझाने के लिए मैं आपको पहले यह समझाऊ कि लैंग चन की जरूरत क्यों पड़ी ठीक है तो लेट्स मूव
ऑन टू द नेक्स्ट स्लाइड एंड लेट्स डिस्कस कि व्हाई डू वी नीड लैंग चन हमें इस फ्रेमवर्क की जरूरत है क्यों
एंड ट्रस्ट मी थोड़ा सा मैं लंबा रास्ता लूंगा यह पॉइंट प्रूफ करने के लिए बट ट्रस्ट मी जब यह डिस्कशन खत्म होगा आपके
पास एक बहुत डीप पर्सपेक्टिव होगा इनसाइट होगा कि सच में लैंग चन कितना जरूरी है ठीक है तो मैं आपको अपनी लाइफ से एक
एग्जांपल निकाल के बताने वाला हूं सो मैं काफी दिनों से स्टार्टअप की दुनिया में काम कर रहा हूं और मैंने खुद भी
स्टार्टअप्स किए और बहुत सारे आइडियाज को मैंने एक्सप्लोर किया पिछले 10 सालों में सो अराउंड 2014 मेरे दिमाग में एक आईडिया
आया था और उस टाइम इतना एआई वगैरह का बज नहीं था एटलीस्ट इंडिया में तो उस टाइम प मेरे दिमाग में एक आईडिया आया था कि हम
लोग आजकल पीडीएफ बहुत पढ़ने लग गए उसके पहले लोग ज्यादा बुक्स पढ़ते थे बट अराउंड 2014 2015 में स्मार्ट फोनस थोड़े से
प्रिवेट हो गए थे तो लोग पीडीएफ वगैरह बहुत पढ़ने लग गए थे तो मेरे दिमाग में एक आईडिया आया था कि व्हाट इफ मैं एक ऐसा
एप्लीकेशन बनाऊ जहां पर कोई भी अपने पीडीएफ अपलोड कर सकता है और फिर उन पीडीएफ को रीड कर सकता है ओबवियसली इट इज अ
पीडीएफ रीडर तो उसको रीड कर सकता है एंड नॉट ओनली रीड कर सकता है बट एट द सेम टाइम हमारे एप्लीकेशन में एक चैट फीचर होगा और
उस चैट फीचर पर क्लिक करके आप अपने पीडीएफ से बात कर सकते हो जैसे फॉर एग्जांपल मान लो मैंने यहां पर एक मशीन लर्निंग की बुक
अपलोड कर रखी है ठीक है और यह मशीन लर्निंग की बुक में मतलब पूरा का पूरा मशीन लर्निंग कवर्ड है
तो मैं क्या कर सकता हूं नॉट ओनली इस बुक को पढ़ सकता हूं बट एट द सेम टाइम मैं चैट के थ्रू कई तरह के क्वेश्चंस पूछ सकता हूं
जैसे कि मैं यह पूछ सकता हूं कि भाई पेज नंबर पाच ऐसे समझाओ जैसे मैं 5 साल का बच्चा हूं और वह चैट बॉट मुझे पेज फाइव का
एक बहुत सिंपलीफाइड सराइज वर्जन निकाल के दे दे फिर हो सकता है मैं यह भी क्वेश्चन पूछ लूं कि यह जो लीनियर रिग्रेशन हमने
पढ़ा है इसके ऊपर कुछ ट्रू फॉल्स क्वेश्चंस जनरेट करके दे दो ताकि मेरी प्रैक्टिस हो जाए ठीक है या फिर मैं यह
क्वेश्चन पूछ सकता हूं कि ये जो डिसीजन ट्री हमने पढ़ा इस बुक में उसके ऊपर नोट्स जनरेट करके दे दो तो आई होप आपको समझ में
आ रहा है कि इस तरह का एप्लीकेशन कैन बी इंक्रेडिबली यूजफुल राइट बिकॉज़ नॉट ओनली आप पढ़ पा रहे हो बट एट द सेम टाइम आप
अपनी बुक से बात कर पा रहे हो तो 2014 में मेरे दिमाग में ये आया कि ये एक बहुत बड़ा आईडिया है और मे बी मुझे इसके ऊपर काम
करना चाहिए और गेस व्हाट मैंने मैंने काम किया भी तो अब मैं आपको नेक्स्ट बताता हूं कि मैंने कैसे प्लान किया इस एप्लीकेशन को
बिल्ड करना और व्हाट वाज द सिस्टम डिजाइन यह पूरा चीज टेक्निकली मैं कैसे एग्जीक्यूट करने का प्लान कर रहा था चलो
गाइस एक हाई लेवल डिस्कशन करते हैं कि इस तरह का एक एप्लीकेशन हम बना कैसे सकते हैं ठीक है एक बार जब हाई लेवल आपको समझ में आ
जाएगा तो फिर हम थोड़ा डिटेल्स भी डिस्कस कर लेंगे तो देखो यह पूरा सिस्टम काम कैसे करेगा कि जैसे ही कोई यूजर हमारे
एप्लीकेशन में अपना कोई पीडीएफ अपलोड करेगा हम सबसे पहले उस पीडी को उठाएंगे और हमारे डेटाबेस में स्टोर कर लेंगे ठीक है
अब यूजर ने उस पीडीएफ को ओपन किया और उसने एक क्वेरी पूछा एक क्वेश्चन पूछा ठीक है लेटस से क्वेश्चन यह है कि व्ट आर द अंश
ऑफ लीनियर रिग्रेशन ठीक है तो अब हमें क्या करना है हमें सबसे पहले यह फाइंड आउट करना है कि
पूरे के पूरे बुक में इस टॉपिक के ऊपर कहां पर बात ई है कौन से पेजेस में यह टॉपिक डिस्कस हुआ है ठीक है तो एसेंशियली
हमें एक सर्च ऑपरेशन परफॉर्म करना पड़ेगा ठीक है बट सर्च ऑपरेशन भी दो तरह के हो सकते हैं एक हो सकता है नॉर्मल कीवर्ड
सर्च नॉर्मल कीवर्ड सर्च में क्या करोगे आप आप इन वर्ड्स को पकड़ोगे जैसे कि अंपन एक वर्ड है लीनियर रिग्रेशन एक वर्ड है और
उन वर्ड्स को एज इट इज पूरी बुक में सर्च करोगे जहां-जहां पे भी अंपन वर्ड यूज हुआ होगा या जहां-जहां पे भी आपका लीनियर
रिग्रेशन वर्ड यूज हुआ होगा हम वो सारे पे पेजेस को उठा के ले आएंगे अब आप समझ सकते हो कि ये थोड़ा इनएफिशिएंट है राइट हमें
व्हाट आर द अंश ऑफ लीनियर रिग्रेशन के बारे में अ कंटेक्सुअल रिजल्ट्स चाहिए राइट बट हमारे केस में क्या हो रहा है कि
बहुत सारे और पेजेस आ जा रहे हैं राइट अंश वर्ड तो हो सकता है बहुत सारे पेजेस में आया हो तो वो अननेसेसरीली बहुत सारे पेजेस
हमारे पास आ रहे हैं एज रिजल्ट्स वो थोड़ा सा इनएफिशिएंट है तो हम क्या करेंगे राद देन डूइंग अ कीवर्ड सर्च हम करेंगे सिमटिक
सर्च तो सिमटिक सर्च थोड़ा अलग होता है वेरी श्यर आपने एनएलपी में पढ़ा होगा सो सिमटिक सर्च में आप क्या करते हो कि आप
अपनी क्वेरी का मीनिंग समझने की कोशिश करते हो ठीक है आप ये समझने की कोशिश करोगे कि जो यूजर है उसको अंश ऑफ लीनियर
रिग्रेशन चाहिए तो आप अब पूरी बुक में जाकर के अजमन को सर्च नहीं करोगे अलग से आप अंश ऑफ लीनियर रिग्रेशन को सर्च करोगे
तो ऑटोमेटिक अब आपको रिजल्ट में वो पेजेस मिलेंगे जहां पे अंश ऑफ लीनियर रिग्रेशन की बात हुई है तो कम नंबर ऑफ पेजेस आएंगे
बट ज्यादा मीनिंगफुल रिजल्ट्स आपको मिलेंगे ठीक है तो जो भी है हमने क्या किया हमने यूजर की क्वेरी को उठाया और
अपने पूरे डॉक्यूमेंट के ऊपर सिमटिक सर्च करके दिया इससे हमें मान लो दो पेजेस मिले पेज नंबर 372 पेज नंबर
461 इन दो पेजेस पर अंश ऑफ लीनियर रिग्रेशन की बात हुई है ठीक है तो यह रिजल्ट हमारे पास यहां पर आ गए अब हम क्या
करेंगे कि इन पेजेस को जो हमें रिजल्ट में मिले हैं और यूजर की जो ओरिजिनल क्वेरी थी उन दोनों को उठाकर करके हम एक सिस्टम
क्वेरी बनाएंगे ठीक है और इस सिस्टम क्वेरी को हम भेजेंगे अपने एप्लीकेशन के सबसे
इंपॉर्टेंट कंपोनेंट के पास जिसको फिलहाल मैं ब्रेन बुला रहा हूं ठीक है अब इस ब्रेन का एक ही पर्पस है एक्चुअली दो
पर्पस है पहला पर्पस यह है कि वह इस क्वेरी को समझे लाइक अच्छे से उसका मीनिंग समझे तो यहां पर एनएलयू कैपेबिलिटी होनी
चाहिए नेचुरल लैंग्वेज अंडरस्टैंडिंग कैपेबिलिटी होनी चाहिए हम हमारे ब्रेन के पास व्हिच मींस कि इंग्लिश में पूछा जा
रहा है वो इंग्लिश समझ ले हिंदी में पूछा जा रहा है हिंदी समझ ले बट वो टेक्स्ट को या क्वेरी को अच्छे से समझ पाए ताकि उसको
ये समझ में आए कि करना क्या है सेकंड ब्रेन के पास कांटेक्ट अवेयर टेक्स्ट जनरेशन कैपेबिलिटी होनी
चाहिए व्हिच मींस कि देखो एसेंशियली उसको करना क्या है हमारे इस ब्रेन का काम क्या है कि उसको ये क्वेरी दी गई और उसको ये
डॉक्यूमेंट दिया गया दो पेजेस का और उसको यह बोला गया कि इस क्वेरी को समझो और इस डॉक्यूमेंट से आंसर निकाल के दो तो इस
क्वेरी को समझने के लिए उसको एनएलयू कैपेबिलिटीज चाहिए और फिर समझ करके यहां से रिलेवेंट आंसर खोज करके आंसर जनरेट
करने के लिए उसको कॉन्टेक्स्ट अवेयर टेक्स्ट जनरेशन आना चाहिए राइट तो बेसिकली यह जो ब्रेन है हमारे सिस्टम का इसके दो
ही पर्पस हैं यूजर की क्वेरी को अच्छे से समझना और फिर उसको हम जो पेजेस दे रहे हैं उन पेजेस के अंदर घुस करके अह कॉन्टेक्स्ट
अवेयर टेक्स्ट जनरेट करना ठीक है तो वह क्या करेगा वह इन पेजेस को पढ़ेगा और फिर जो लीनियर रिग्रेशन के पांच अंश हैं उनको
एक्सट्रैक्ट करेगा और उनको टेक्स्ट जनरेट करके हमें दे देगा और वही हमारा फाइनल आउटपुट है सो दिस इज़ हाउ दिस एंटायस इज
वर्किंग ठीक है अब आपके दिमाग में एक दो क्वेरीज आ रही होंगी यहां पे कि हमने इतनी मेहनत क्यों की है सेंटिक सर्च वाली
अगर मेरा ब्रेन यूजर की क्वेरी को समझता ही है और गिवन पेजेस के अंदर से आंसर खोज के जनरेट कर ही सकता है तो हम उसको
डायरेक्टली यह पूरी बुक भी तो दे सकते हैं मान लो यह बुक हज पेजेस की है तो फालतू में इतना सिमटिक सर्च किया यह दो पेजेस
निकाले इससे अच्छा है ना कि हम सीधे य हज पेज का डॉक्यूमेंट यहां भेज दे और बता दे कि यह क्वेश्चन पूछा है यूजर ने इस बुक को
पढ़ के आंसर करके दो अब खुद सोचो यहां पर प्रॉब्लम क्या है बहुत सिंपल सी प्रॉब्लम है इमेजिन करो आप एक स्कूल में पढ़ते हो
आपको आपकी मैथ्स की बुक में एक डाउट आया तो आप अपने टीचर के पास जा रहे हो और आप उसको बोल रहे हो कि सर यह बुक पकड़ो मुझे
अलजेब्रा में डाउट है ठीक है अब ये सिनेरियो वन है सिनेरियो टू ये है कि आप अपने टीचर के पास जाओ और उसको स्पेसिफिकली
बताओ कि सर मेरे को पेज नंबर 155 में डाउट है तो आपको क्या लगता है कौन से सिनेरियो में टीचर आपको जल्दी और अच्छा रिस्पांस दे
पाएगा ओबवियसली इन द सेकंड सिनेरियो बिकॉज आपने उसको एक सिंगल पेज देके बोला कि मुझे इस पेज में डाउट है राद देन उसको पूरा बुक
देने के तो सेम सिनेरियो यहां पर भी है आपने अपने इस सिस्टम के ब्रेन को बहुत स्पेसिफिकली दो पेजेस दिए और एक यूजर की
क्वेरी दी और आपने उसको बोला कि देखो भाई यह क्वेरी रीड करो समझो और इन दो पेजेस से इसका आंसर निकाल के दो राइट अब पूरी बुक
अगर आप दे दोगे तो कंप्यूटेशनली ज्यादा एक्सटेंसिव हो जाएगा और सेकंड हो सकता है कि आपको जो रिजल्ट्स मिले वो भी उतने
अच्छे ना हो दैट इज व्हाई हमने ये पूरा का पूरा सिमटिक सर्च वाला पूरा फीचर इंप्लीमेंट किया तो जो भी है यह हाई लेवल
ओवरव्यू है हमारे इस पूरे सि सिस्टम का अब एक काम करते हैं थोड़ा सा और डीप डाइव करते हैं और समझते हैं कि इस सिस्टम को
एगजैक्टली डिटेल में बिल्ड कैसे किया जा सकता है अब गाइ इस सिस्टम को और लो लेवल प समझने के लिए हमें सबसे पहले सेमांटिक
सर्च को समझना पड़ेगा थोड़ी देर पहले मैंने आपको बताया था कि सिमटिक सर्च में आप क्या करते हो कि
आप किसी भी टेक्स्ट के मीनिंग के बेसिस पे सर्चिंग करते हो ठीक है तो मैं आपको बताता हूं कि सेंटिक सर्च एगजैक्टली काम कैसे
करता है सो आईडिया बहुत सिंपल है मान लो आपके पास तीन पैराग्राफ्स हैं अबाउट थ्री क्रिकेटर्स विराट कोहली जसप्रीत बुमरा
रोहित शर्मा और अब आपसे एक सवाल पूछा जाएगा ठीक है और आपको उस सवाल का आंसर देना है इन तीन पैराग्राफ्स के अंदर से तो
आपको यह पता करना है कि कौन सा पैराग्राफ में आंसर छुपा हुआ है ठीक है तो ये पूरी चीज होगी कैसे मान लो क्वेश्चन पूछा गया
हाउ मेनी रंस हैज विराट स्कोर्ड ठीक है तो हमें पता है कि विराट कोहली वाले पैराग्राफ में इसका आंसर छुपा हुआ है बट
हमारे कोड को ये कैसे समझ में आएगा तो इसमें क्या होता है कि आप सबसे पहले अपने सारे के सारे टेक्स्ट को एंबेडिंग
में कन्वर्ट करते हो एंबेडिंग में कन्वर्ट करने का मतलब है कि आप उसको एक वेक्टर में कन्वर्ट करते हो वेक्टर मतलब सेट ऑफ
नंबर्स में सो एसेंशियली आप इस पूरे के पूरे पैराग्राफ का जो सेमांटिक मीनिंग है उसको नंबर्स के फॉर्म में रिप्रेजेंट करना
चाहते हो तो यहां पे बहुत तरह की टेक्निक्स आप यूज कर सकते हो वर्ड टू वेग जैसी टेक्निक यूज कर सकते हो डॉक टू वेग
जैसी टेक्नीक यूज कर सकते हो बर्ड के एंबेडिंग जनरेट कर सकते हो बहुत सारी टेक्निक्स है ठीक है बट द आईडिया इज कि
आप मल्टीपल नंबर्स के फॉर्म में इस पूरे पैराग्राफ को रिप्रेजेंट करते हो दिस इज वेक्टर सेम फॉर दिस पैराग्राफ एंड सेम फॉर
दिस पैराग्राफ थोड़ी देर के लिए मान लेते हैं कि इन वेक्टर्स का जो डायमेंशन है वो 100 है बेसिकली ये एक 100 डायमेंशन वेक्टर
है ठीक है अब हमारे पास तीनों पैराग्राफ्स के वेक्टर आ गए अब हम क्या करेंगे जैसे ही हमारे पास ये क्वेरी आएगी हम इसका भी ए
बेडिंग जनरेट करेंगे बेसिकली इसको भी वेक्टर का फॉर्म देंगे तो इसका भी वेक्टर बना 100 डायमेंशन का तो अब क्या है कि
मेरे पास एक ह डायमेंशन स्पेस में चार वेक्टर्स है यह तीन वेक्टर्स है आपके पैराग्राफ वाले तो यह विराट कोहली
वाला वेक्टर है यह जसप्रीत भमरा वाला वेक्टर है और यह रोहित शर्मा वाला वेक्टर है और यह मान लो
आपका क्वेरी वाला वेक्टर है अब आप क्या करोगे अपने इस वेक्टर का क्वेरी वेक्टर का तीनों के तीनों वेक्टर्स के साथ सिमिलरिटी
निकालो और जिसके साथ सिमिलरिटी सबसे स्ट्रांग आएगी आपको समझ में आ जाएगा कि उस पैराग्राफ से रिलेटेड यह क्वेश्चन है और
फिर आप इस पैराग्राफ को यूज करोगे आंसर देने के लिए तो दिस इज हाउ सिमटिक सर्च वर्क्स और यही चीज हमें अपने सिस्टम में
इंप्लीमेंट करनी है हमारे पीडीएफ के ऊपर सो नाउ दैट वी अंडर स्टैंड की सिमटिक सर्च काम कैसे करता है अब मैं आपको एकदम डिटेल
में समझाता हूं इस पूरे सिस्टम का डिजाइन ठीक है तो होगा क्या यह पूरा चीज स्टार्ट होगा जैसे ही हमारा यूजर कोई पीडीएफ अपलोड
करेगा ठीक है तो पीडीएफ अपलोड होके हम उसको कहीं पे क्लाउड में स्टोर करेंगे फॉर नाउ मान लेते हैं कि हम एडब्ल्यू की
सर्विसेस यूज कर रहे हैं तो हम उस पीडीएफ को एडब्ल्यू की s3 सर्विस प स्टोर कर रहे हैं ठीक है अब हमारा पीडीएफ हमारे पास आ
चुका है क्लाउड पे अब हमें क्या करना होगा सबसे पहले उसको लोड करना पड़ेगा सो बेसिकली हमें
किसी तरीके का एक डॉक्यूमेंट लोडर चाहिए होगा जिसकी हेल्प से हम पीडीएफ को अपने सिस्टम में लेकर आएंगे ठीक है अब जैसे य
सिस्टम में आ गया जो सबसे पहली चीज मुझे करनी है वह यह है कि मुझे अपने इस पूरे पीडीएफ को छोटे-छोटे चंक्स में डिवाइड
करना है ठीक है सो छोटे-छोटे चंक्स किस बेसिस पर हो सकते हैं किसी भी बेसिस प हो सकते हैं चैप्टर के बेसिस पर हो सकते हैं
पेजेस के बेसिस पर हो सकते हैं इवन पैराग्राफ के बेसिस पर भी हो सकते हैं थोड़ी देर के लिए मान लेते हैं कि हमारे
पास 1000 पेजेस का पीडीएफ है और हम क्या कर रहे हैं हम पेजेस के बेसिस पर चंकि कर रहे हैं तो इन टोटल हमने इस पूरे
डॉक्यूमेंट को 1000 पार्ट्स में डिवाइड कर दिया सो हम बेसिकली कोई टेक्स्ट स्प्लिटर यूज कर रहे हैं जिसकी हेल्प से हम हर पेज
को अलग कर पा रहे हैं ठीक है अब हमें क्या करना है हमें हर पेज का एंबेडिंग जनरेट करना है जैसा मैंने आपको थोड़ी देर पहले
बताया तो यहां पर हम कोई एंबेडिंग मॉडल यूज कर रहे हैं हम हर पेज को इस एंबेडिंग मॉडल में भेज रहे हैं और एंबेडिंग मॉडल उस
पेज के लिए एक एंबेडिंग जनरेट करके दे रहा है एंबेडिंग मतलब एक वेक्टर जनरेट करके दे रहा है इन अ एन डाइमेंशनल स्पेस तो अब
मेरे पास 1000 वेक्टर्स हैं बेसिकली 1000 सेट ऑफ नंबर्स है ठीक है अब मैं क्या करूंगा इन एंबेडिंग्स को एक डेटाबेस में
स्टोर कर लूंगा सो दैट फ्यूचर में मैं इनके ऊपर क्वेरी कर पाऊं ठीक है आगे चलके हम इसके
बारे में डिस्कशन करेंगे थोड़े अलग टाइप के डेटा बेसेस होते हैं बट जो भी है होते डेटा बेसेस हैं हम इन डेटा बेसेस में इन
एंबेडिंग्स को स्टोर कर रहे अब यहां से हमारा मेन काम शुरू होता है हमारा यूजर आया उसने पीडीएफ को ओपन किया और उसने एक
क्वेरी पूछा ठीक है अब क्वेरी एक टेक्स्ट है तो हम क्या करेंगे सबसे पहले इस क्वेरी को भी सेम एंबेडिंग मॉडल के पास
भेजेंगे और उससे उस क्वेरी का एंबेडिंग जनरेट करेंगे अगेन एंड डायमेंशन में ठीक है और अब क्या होगा कि हमारे पास डेटा बेस
में ऑलरेडी 1000 वेक्टर्स है अब एक नया वेक्टर आया हम हम उस वेक्टर को कंपेयर करेंगे सारे के सारे वेक्टर्स
के साथ बेसिकली डिस्टेंस निकालेंगे और इनमें से जो वेक्टर या जो सेट ऑफ वेक्टर्स सबसे ज्यादा क्लोज होंगे हमारे क्वेरी
वेक्टर के हम उनको उठा कर के ले आएंगे बेसिकली मान लो अगर हमने डिसाइड किया कि फाइव वेक्टर्स रिटर्न करने हैं तो फाइव
सबसे सिमिलर वेक्टर्स वापस आएंगे और फिर उसके कॉरस्पॉडिंग जो पेजेस हैं हम उन पेजेस को एक्सट्रैक्ट करेंगे और वही पेजेस
हमें यहां पे मिल जाएंगे आई होप आपको यह पूरी चीज समझ में आ गई उसके बाद आगे का जो पूरा का पूरा फ्लो है
वो बिल्कुल सेम है हम यूजर की ओरिजिनल क्वेरी को लेंगे और इन पेजेस को लेंगे और इनको मिलाकर हम हमारा सिस्टम क्वेरी फॉर्म
करेंगे और यह सिस्टम क्वेरी हमारे ऐप के ब्रेन में जाएगी और ब्रेन में एनएलयू प्लस कॉन्टेक्स्ट अवेयर टेक्स्ट
जनरेशन होगा जिससे हमें हमारा आंसर मिलेगा और वही आंसर हम फाइनल आउटपुट के फॉर्म में यूजर को दिखाएंगे सो दिस इज द लो लेवल
ओवरव्यू मतलब इसमें हमने सारा डिटेलिंग डिस्कस कर लिया ठीक है तो आई रियली होप जितना टाइम अभी तक हमने स्पेंड किया इस
वीडियो में सबसे पहले आपको इस पूरे सिस्टम का डिजाइन थोड़ा क्लियर हो गया है अब यहां से हमारा डिस्कशन स्टार्ट होता है अब इस
पूरे प्रोजेक्ट का हमने सिस्टम डिजाइन तो समझ लिया अब एक छोटा सा डिस्कशन करते हैं कि इस प्रोजेक्ट को बिल्ड करने में
क्या-क्या चैलेंजेबल मैं सबसे बड़े चैलेंज की बात करूंगा यह जो पूरा फ्लो है इसमें जो सबसे
चैलेंजिंग एस्पेक्ट है वह है यह ब्रेन बिल्ड करना सोच के देखो हमें एक ऐसा कंपोनेंट डेवलप करना है जिसको हम कोई भी
क्वेरी भेजे तो हमारा कंपोनेंट इस क्वेरी को पूरे तरीके से समझ पाए राइट अब यह खुद में बहुत
चैलेंजिंग काम है सेकंड समझने के बाद वो रिलेवेंट टेक्स्ट जनरेट कर पाए जो कि अगेन एक बहुत
चैलेंजिंग काम है एंड ऑनेस्टली एनएलपी में बहुत काम हुआ है इन दोनों चीजों के ऊपर बट जो ब्रेक थ्रू आया वह फाइनली आया 2017 में
जब ट्रांसफॉर्मर्स वाला पेपर आया और फिर ट्रांसफॉर्मर के बाद बर्ड एंड जीपीटी वाले पेपर्स आए और फिर उसके बाद यह जो पूरा
एलएल एम्स का एपिसोड शुरू हुआ तो फिर फाइनली इस प्रॉब्लम को क्रैक किया गया ठीक है तो गेस व्हाट हमें ज्यादा मेहनत नहीं
करनी है इस ब्रेन को डेवलप करने के लिए ऑलरेडी एलएलएम मार्केट में है जिनके पास यह दोनों कैपेबिलिटीज हैं नेचुरल लैंग्वेज
अंडरस्टैंडिंग की भी कैपेबिलिटी है और कॉन्टेक्स्ट अवेयर टैक्स जनरेट करने की भी कैपेबिलिटी है हमें सिंपली क्या करना है
किसी एलएलएम को यूज करना है सो हालांकि यह बहुत बड़ा चैलेंज था 2015 में आज यह बहुत बड़ा चैलेंज नहीं है आज आप इस प्रॉब्लम को
बहुत आसानी से एक एलएलएम लगा कर के सॉल्व कर सकते हो सो नाउ व्हाट आई विल डू इज इस फ्लो में मैं इस ब्रेन के
बदले एलएल ए लिख दूंगा ठीक है अब बहुत सारे एलएलएम है मार्केट में आप किसी ओपन सोर्स एलएलएम को भी यूज कर सकते हो अ अगर
आप एक बहुत बड़ी कंपनी हो तो आप खुद के फाउंडेशन मॉडल ट्रेन करके एलएलएम बना सकते हो बट अगेन जो भी है नॉट आवर कंसर्न हमें
हमारा पहला चैलेंज सॉल्व करने का तरीका मिल गया और तरीका है एलएलएम को यूज करना ठीक है अब मैं आपको बताता हूं चैलेंज नंबर
टू के बारे में सो एक और बहुत बड़ा चैलेंज क्या है कि अगर आप एलएम का यूज करना चाहते हो एज योर ब्रेन तो एलएलएम को आपको अपने
सिस्टम में कहीं पर बिठाना पड़ेगा बेसिकली अपने सर्वर पर रखना पड़ेगा अब शायद आपको एलएलएम के स्केल के बारे में पता होगा कि
वो बहुत हैवी मॉडल्स होते हैं बहुत हैवी डीप लर्निंग मॉडल्स होते हैं जो पूरे इंटरनेट के डाटा पे ट्रेन हुए राइट अब
इतने बड़े एलएलएम मॉडल को अगर आप अपने सर्वर्स पर बिठा होगे इफ्रें करने के लिए उससे रिजल्ट्स निकालने के लिए तो आपको ना
बहुत ज्यादा इंजीनियरिंग करनी पड़ेगी आपको बहुत ज्यादा कंप्यूटेशनल प्रॉब्लम्स को सॉल्व करना पड़ेगा बिकॉज इतने बड़े
सिस्टम्स को अपने सर्वर पर रखना चलाना आसान काम नहीं है इंजीनियरिंग पॉइंट ऑफ व्यू से सेकंड कॉस्ट भी बहुत ज्यादा लगेगा
तो जो सेकंड बड़ा चैलेंज है वो है कंप्यूटेशन का कि मैं किसी एलएलएम को ला करके अपने
सिस्टम अपने क्लाउड पे कैसे बिठाऊ और कैसे चलाऊं और कैसे कॉस्ट मैनेज करूं तो गेस व्हाट अच्छी खबर यह है कि इस चैलेंज को भी
सॉल्व किया जा चुका है सो बड़ी-बड़ी जो कंपनीज है जैसे कि ओपन एआई हुआ या फिर एंथ्रोपिक हुआ या फिर
अपने सर्वर पर डाल दिया जैसे ओपन नहीं आई है उनका जो चैट जीपीटी है या फिर जीपीटी मॉडल्स हैं उनको उन लोगों ने अपने ही
सर्वर पर डाल दिया और अपने एलएलएम के अराउंड उन्होंने एक एपीआई क्रिएट कर दी ठीक है अब इस एपीआई से फायदा क्या है कि
कोई भी इस एलएलएम से बात कर सकता है सिंपली आप एक क्वेश्चन पूछोगे वो क्वेश्चन आपके एलएलएम के पास जाएगा और एलएलएम आपको
रिप्लाई करेगा और वो रिप्लाई वापस यूजर को मिल जाएगा सो आपको पूरा का पूरा एलएलएम को उठा के अपने सर्वर पर रखने की जरूरत नहीं
है आप सिंपली इन एपीआई को हिट करके अपना काम चला सकते हो तो इन शॉर्ट मैं यहां पर एलएलएम को यूज ना करके एक एलएलएम एपीआई को
यूज करूंगा ठीक है और एपीआई यूज करने का यह भी फायदा है कि मैं जितना यूज करूंगा उतना ही
पे भी करूंगा ठीक है तो अगर मेरा यूसेज कम है तो मैं मुझे पेमेंट भी कम करनी है ठीक है तो इन शॉर्ट जो दो बड़े चैलेंज थे
नेचुरल लैंग्वेज अंडरस्ट स्टैंडिंग और टेक्स जनरेशन का वो एलएलएम ने सॉल्व कर दिया और एलएलएम के अराउंड जो कंप्यूटेशनल
चैलेंज थे उनको इन एपीआई ने सॉल्व कर दिया तो दो बड़े चैलेंज जो थे वो आज की डेट में 2025 में ऑलरेडी सॉल्व हो चुके हैं अब मैं
आपको बताता हूं चैलेंज नंबर थ्री इस सिस्टम को बनाने में अब बात करते हैं चैलेंज नंबर थ्री की चैलेंज नंबर थ्री है
इस पूरे के पूरे सिस्टम को ऑर्केस्ट्रेट करना मतलब इतने सारे जो कंपोनेंट्स यहां पर हैं उनको मिला कर के चला पाना खुद में
एक बहुत बड़ा चैलेंज है ठीक है तो एक काम करता हूं मैं आपको थोड़ा सा समझाने की कोशिश करता हूं सबसे पहले मैं आपको यह
दिखाना चाहता हूं कि यहां पर कितने मूविंग कंपोनेंट्स है तो सबसे पहले आपका एक कंपोनेंट है एडब्ल्यू ए3 जहां पर आप अपने
डॉक्यूमेंट को स्टोर कर रहे हो सेकंड आपका कंपोनेंट है टेक्स स्प्लिटर यह भी एक तरह का मॉडल होता है जो बेस्ड ऑन द डॉक्यूमेंट
डिसाइड करता है कि स्प्लिटिंग कैसे होगी थर्ड है एंबेडिंग एंबेडिंग जो करते हैं वो भी हम एक मॉडल के थ्रू करते हैं तो
वो भी एक कंपोनेंट हो गया उसके बाद डेटाबेस जहां पर आप अपने एंबेडिंग्स को स्टोर करोगे व भी एक कंपोनेंट है और उसके
अलावा आपका जो एलएलएम है यह भी एक कंपोनेंट है सो वी हैव गट फाइव कंपोनेंट्स इन दिस सिस्टम अब अगर मैं आपको टास्क के
बारे में बताऊं तो टोटल हम यहां पर बहुत तरह के टास्क परफॉर्म कर रहे हैं हम डॉक्यूमेंट को लोड करने का टास्क परफॉर्म
कर रहे हैं हम टेक्स्ट को स्प्लिट करने का टास्क परफॉर्म कर रहे हैं हम एंबेडिंग का टास्क परफॉर्म कर रहे हैं हम डेटाबेस
मैनेज का टास्क परफॉर्म कर रहे हैं हम रिट्रीव का टास्क परफॉर्म कर रहे हैं और हम इस एलएलएम से बात करने का टास्क
परफॉर्म कर रहे हैं तो अगेन फाइव सिक्स टास्क्स आर देयर जो हमें एक पाइपलाइन के थ्रू एग्जीक्यूट करना है ठीक है तो इन
शॉर्ट ये जो सिस्टम है ये बहुत सारे मूविंग कंपोनेंट से बना है और उन कंपोनेंट्स के बीच में हमें बहुत सारे
टास्क्स को एग्जीक्यूट करना है जो खुद में बहुत चैलेंजिंग काम है अगर यह सारा कोड आप स्क्रैच से लिखने जाओगे तो इट कुड बी वेरी
वेरी डिफिकल्ट जैसे मैं आपको एक एग्जांपल देता हूं मान लो आपने ये सिस्टम हाथ से कोड किया और कल को पता चला कि आपको अब ओपन
एआई की एपीआई नहीं यूज करनी बिकॉज व कॉस्टली है और उसके बदले आपको google3 के बदले हो सकता है कि आप जीसीपी
पे मूव कर रहे हो यहां पे हो सकता है कि एंबेडिंग मॉडल में आप कोई दूसरा मॉडल यूज़ करना चाहते हो सो यू अंडरस्टैंड देयर आर
सो मेनी मूविंग पार्ट्स और उनके बीच में बहुत सारा इंटरेक्शन है और एक बहुत कॉम्प्लेक्शन है यह सब कुछ हाथ से कोड कर
पाना इज अ वेरी वेरी वेरी चैलेंजिंग टास्क और दिस इज वयर लैंग चन कम्स इन टू द पिक्चर लैंग चन क्या करता है आपको बिल्ट
इन फंक्शनैलिटीज देता है जहां पर आप एकदम प्लग एंड प्ले तरीके से इन सारे कंपोनेंट्स को एक दूसरे के साथ इंटरेक्ट
करवा सकते हो नॉट ओनली दैट आपको कल को ओपन एआई यूज ना करके google's इट आपका काम हो गया सो बेसिकली
आपको जो बहुत सारा बॉयलर प्लेट कोड लिखना है इन सारे कंपोनेंट्स के लिए वो सब लिखने की जरूरत नहीं है बिकॉज़ ये सारा काम
बिहाइंड द सींस लैंग चन हैंडल करता है सो इन शॉर्ट अगर मैं सराइज करूं इस पूरे के पूरे कन्वर्सेशन को तो वो यह होगा कि अगर
आप एक एलएलएम पावर्ड एप्लीकेशन बनाना चाहते हो तो उसमें बहुत सारा हैवी लिफ्टिंग तो एलएलएम कर देता है बट उस
एलएलएम बेस्ड एप्लीकेशन को पूरा एंड टू एंड चला पाना विद ऑल इट्स मूविंग कंपोनेंट्स इज अ वेरी वेरी डिफिकल्ट टास्क
स्पेशली अभी क्योंकि टेक्नोलॉजी बहुत न्यू है तो यह काम और ज्यादा डिफिकल्ट हो जाता है एंड दिस इज वयर लैंग चन कम्स इन टू द
पिक्चर वो बोलता है कि आप सिर्फ अपने आईडिया पे फोकस करो ये पूरा इंटरफेसिंग का जो काम है ऑर्केस्ट्रेशन का जो काम है वो
मैं आपको करके दूंगा ठीक है तो नाउ दैट आपको थोड़ा इंटू मिल गया है कि लैंग चन एगजैक्टली क्यों यूज़ हो रहा है इस पूरे
सिस्टम में अब मैं आपको और बेनिफिट्स बताता हूं जो ल लैंग चन आपको प्रोवाइड करता है सो नाउ दैट हमने थोड़ा समझने की
कोशिश की कि लैंग चन यूज करने के पीछे रीजन क्या है अब मैं आपको थोड़ा सा फॉर्मली लैंग चन के बेनिफिट्स बताना चाहता
हूं ठीक है तो एक-एक करके डिस्कस करते हैं जो सबसे पहला बेनिफिट है लैंग चन का वह है कि यहां पर एक कांसेप्ट होता है चेनस का
ठीक है इनफैक्ट लैंग चन का नाम ही लैंग चन इसलिए बिकॉज यहां पे चेंस का कांसेप्ट है तो चेंस में आप क्या कर सकते हो कि आप
अलग-अलग कंपोनेंट्स को और अलग-अलग टास्क को एक चेन का फॉर्म दे सकते हो बेसिकली एक पाइपलाइन सॉर्ट ऑफ स्ट्रक्चर फॉर्म कर
सकते हो और कितने भी कॉम्प्लेक्शन कर सकते हो जैसे हमारे एग्जांपल में आपको मल्टीपल कंपोनेंट्स के
बीच में मल्टीपल टास्क्स एग्जीक्यूट करने हैं आपको डॉक्यूमेंट को लोड करना है टेक्स्ट को स्प्लिट करना है एंबेडिंग
करवानी है डेटाबेस में स्टोर करवाना है फिर रिट्रीव करवाना है फिर एलएलएम के पास डेटा को भेजना है नाउ ये एक सीरीज ऑफ
टास्क्स है ठीक है तो आप क्या कर सकते हो इस पूरे के पूरे पाइपलाइन को एक चेन में कन्वर्ट कर सकते और वो चेन का सबसे अच्छा
फीचर क्या है कि एक कंपोनेंट का आउटपुट दूसरे कंपोनेंट का इनपुट ऑटोमेटिक बन जाता है आपको मैनुअली ये कोड लिखने की जरूरत
नहीं है एंड नॉट ओनली दैट आप बहुत कॉम्प्लेक्शन चेंस फॉर्म कर सकते हो आप पैरेलल चेंस फॉर्म कर सकते हो आप कंडीशनल
चेंस फॉर्म कर सकते हो तो कितना भी कॉम्प्लेक्शन हैं कितने भी टास्क्स हैं बहुत एक्सप्रेसिव तरीके से आप चेंस की
हेल्प से उस पाइपलाइन को बना सकते हो यूजिंग लैंग चेन ये सबसे बड़ा फीचर है जो हम आगे देखेंगे ठीक है उसके बाद सेकंड
बहुत बड़ा फीचर है मॉडल एग्नोर डेवलपमेंट मतलब आप यहां पे कोई भी मॉडल यूज़ करो फर्क नहीं पड़ता मैंने आपको थोड़ी देर
पहले एग्जांपल भी दिया आप यहां पर ओपन एपीआई को ओपन एआई को यूज़ करो या फिर आप google2 लाइन के कोड में आपका पूरा का
पूरा कोड बेस शिफ्ट हो जाए जाएगा टू अ डिफरेंट कंपोनेंट तो बेसिकली मॉडल एग्नोर है आपको अपने कोर लॉजिक पे फोकस करना है
बिजनेस लॉजिक पे फोकस करना है कंपोनेंट्स आप यहां वहां मूव करो डज नॉट मैटर थर्ड इज कि लैंग चन ने कोशिश की है आपको कंप्लीट
इकोसिस्टम देने की ठीक है अगर आपको डॉक्यूमेंट लोडर चाहिए तो हर तरह का डॉक्यूमेंट लोडर अवेलेबल है आप चाहो तो
क्लाउड से भी लेके आ सकते हो डाटा को एकल फाइल को भी लोड कर सकते हो पीडीएफ को भी लोड कर सकते हो किसी भी तरह का चीज को लोड
कर सकते हो टेक्स स्प्लिटर में आपको 50 तरह के स्प्लिट्स अवेलेबल हैं एमेड में आपके पास बहुत सारे एंबेडिंग मॉडल्स
अवेलेबल है ये डेटा बेसेस आपको बहुत तरह के अवेलेबल है तो बेसिकली हर जो कंपोनेंट आप यूज करो उसके बहुत सारे वैरायटी
अवेलेबल है तो आपकी कंपनी जिस भी प्रोडक्ट जिस भी कंपोनेंट के साथ काम करना चाहती है लैंग चन में उसका इंटरफेस अवेलेबल है तो
कभी भी ऐसा नहीं होगा कि यार ये कंपोनेंट हम लैंग चन में इंप्लीमेंट नहीं कर सकते ठीक है लास्ट यहां पर आपको मेमोरी एंड
स्टेट हैंडलिंग कांसेप्ट भी मिलता है सो फॉर एग्जांपल मान लो हमारा यूजर ने क्वेरी किया कि व्हाट आर द अंश ऑफ लीनियर
रिग्रेशन तो हमारे सिस्टम ने उसको अंश निकाल के दे दिए अब उसने तुरंत अगला क्वेश्चन पूछा
आल्सो गिव मी अ फ्यू इंटरव्यू क्वेश्चंस ऑन दिस मशीन लर्निंग एल्गोरिथम बट व्हिच मशीन लर्निंग एल्गोरिथम अभी पिछला क्वेरी
क्या था यह तो हमें याद नहीं है हमें नहीं पता कि पिछली बार लीनियर रिग्रेशन की बात हुई थी तो यह प्रॉब्लम को भी लाजन सॉल्व
करता है यहां पे मेमोरी कांसेप्ट है जहां पे आप अ इन कन्वर्सेशन मेमोरी के कॉन्सेप्ट को यूज़ कर सकते हो सो अगर एक
कन्वर्सेशन में लीनियर रिग्रेशन की बात हो रही है तो आगे विदाउट लीनियर रिग्रेशन को मेंशन
किए हुए भी हमारा मॉडल समझ पाएगा कि लीनियर रिग्रेशन की बात हो रही है और यह सब कुछ लैंग चन आपको प्रोवाइड करता है ठीक
है तो इन शॉर्ट अ बहुत ही बढ़िया टूल है बहुत ही बढ़िया लाइब्रेरी है जो आपको एलएलएम पावर्ड एप्लीकेशंस बनाने में बहुत
हेल्प करती है ठीक है तो बाकी तो बहुत प्रैक्टिकल चीजें हैं आगे चलके जब हम अलग-अलग एप्लीकेशंस बिल्ड करेंगे ये सारे
कांसेप्ट प्रैक्टिकली देखेंगे कोड लिखेंगे आप ज्यादा अप्रिशिएट कर पाओगे बट सिंस ये फर्स्ट वीडियो है आई रियली होप मैं एक
अंडरस्टैंडिंग डेवलप कर पाया कि लैंग चन क्या है और उसकी रिक्वायरमेंट क्यों है अब एक चीज और डिस्कस करते हैं कि आप लैंग चन
को यूज करके क्या बना सकते हो या फिर पूरी दुनिया में लोग लैंग चन को यूज करके क्या बना रहे हैं तो देयर आर मल्टीपल यूज केसेस
आप कई तरह की चीजें बना सकते हो मैं आपको कुछ एग्जांपल्स देता हूं सबसे पहला और सबसे पॉपुलर यूज केस है कि आप लैंग चन को
यूज करके कन्वर्सेशन चैट बॉट्स बना सकते हो सो हम इंटरनेट एरा में जी रहे हैं और मोस्टली जो कंपनीज है हमारे इर्दगिर्द वो
इंटरनेट बेस्ड कंपनीज हैं u हुआ हुआ स्विगी हुआ ये सारी इंटरनेट बेस कंपनीज है और इंटरनेट इंटरनेट बेस कंपनीज
में जो सबसे बड़ा प्रॉब्लम होता है वो होता है स्केल का स्केल का मतलब एक साथ इनको बहुत सारे कस्टमर्स के साथ डील करना
पड़ता है राइट तो अभी कस्टमर से बातचीत करनी है तो एक तरीका यह है कि आप अपना कॉल सेंटर सेटअप करो अब कॉल सेंटर सेट अप करना
वहां पर बहुत सारे लोगों को हायर करना बहुत बड़ा चैलेंज है राइट व्हाट इफ मेरे पास एक चैट बॉट हो जो बिल्कुल एक कॉल
सेंटर एग्जीक्यूटिव की तरह बात कर पाए यूजर की क्वेरी समझ पाए और सलूशन प्रोवाइड कर पाए तो मेरा तो बहुत बड़ा प्रॉब्लम
सॉल्व हो गया एस अ बिजनेस तो बहुत सारी कंपनीज जो है आज की डेट में व चैट बॉट्स बना रही है ठीक है तो अब क्या होता है कि
जो फर्स्ट लेयर ऑफ कम्युनिकेशन है बिटवीन द कंपनी एंड द कस्टमर वो चैट बॉट्स हैंडल करते हैं और जब चैट बॉट्स नहीं हैंडल कर
पाते तो फिर उस क्वेरी को व फॉरवर्ड करते हैं टू अ ह्यूमन और फिर ह्यूमन उसको आगे हैंडल कर लेता है ठीक है तो सबसे पॉपुलर
यूज केस है कि आप लैंग चन को यूज करके कन्वर्सेशन चैट बॉट्स बना सकते हो और सबसे ज्यादा लोग बना भी रहे हैं सेकंड यूज केस
है एआई नॉलेज असिस्टेंट का सो एआई नॉलेज असिस्टेंट बेसिकली अ आप समझ लो कि वो चैट बॉट ही है बट वो आपके डाटा पे भी काइंड ऑफ
ट्रेड है या आपके डाटा का भी उसके पास एक्सेस है ठीक है एग्जांपल लेते हैं मान लो हमारे कैंपस एक की वेबसाइट है जहां पे
हमारे कोर्सेस चलते हैं अब मैं चाहता हूं कि हमारे कोर्सेस में हम एक चार्ट बॉट इंटीग्रेट करें जहां पर जैसे ही कोई
वीडियो देख रहा हो हमारे लेक्चर देख रहा हो अगर किसी स्टूडेंट को कोई भी डाउट आता है तो वह झट से उस चैट बॉट से उस
पर्टिकुलर डाउट के बारे में पूछ पाए ठीक है तो यहां पे क्या हो रहा है कि है तो वो चैट बॉट बट उसको मेरे डाटा के बारे में भी
पता है जो लेक्चर चल रहा है उस लेक्चर के अंदर क्या है उसका नॉलेज है हमारे चार्ट बॉट को तो आप ये नॉलेज असिस्टेंट बहुत
आसानी से बिल्ड कर सकते हो विद द हेल्प ऑफ लैंग चन और हम आगे करेंगे भी ठीक है थर्ड यूज केस है एआई एजेंट्स का ये एक बहुत
पॉपुलर टर्म है जो पिछले एक साल में बहुत सुनने को आपको मिला होगा एजेंट्स सो एजेंट्स आर बेसिकली चैट बॉट्स ऑन
स्टेरॉइड्स वो सिर्फ बात नहीं कर सकते वो कुछ काम भी कर सकते हैं जैसे मान लो मेक माय ट्रिप है मेक माय ट्रिप में लोग क्या
करते हैं मेक माय ट्रिप में लोग होटल्स बुक करते हैं ट्रेंस का टिकट बुक करते हैं फ्लाइट्स का टिकट बुक करते हैं तो जनरली
क्या होता है कि जो थोड़े ओल्डर लोग हैं 60 में है वो लोग उतने फ्लूएंट नहीं है इस तरह के वेबसाइट्स के साथ काम करने में या
फिर टिकट्स वगैरह बुक कर ने में तो हम क्या कर सकते हैं हम यहां पर एक एजेंट को बिठा सकते हैं एक एआई एजेंट को जो ना केवल
एक ह्यूमन की तरह बात करेगा बट जब आप उसको बोलोगे तो वह आपके लिए चीजें करके भी देगा जैसे अगर कोई सीनियर सिटीजन बात कर रहा है
इस एआई एजेंट से वो लिटरली बस इतना बोलेंगे कि मुझे इस डेट पे इस जगह से इस जगह के बीच की फ्लाइट टिकट बुक करके दो
सबसे चीपेस्ट वाली तो यह एआई एजेंट के पास यह टूल्स है और यह पावर है कि वो यह पूरा का पूरा टास्क खुद से एग्जीक्यूट कर कर
सकता है ऐसा बोला जा रहा है एआई एजेंट्स एआई के वर्ल्ड में नेक्स्ट बिग थिंग है और मोस्ट लाइक होंगे और अच्छी बात यह है कि
लैंग चन को यूज करके आप एजेंट्स बना सकते हो ठीक है इनफैक्ट हम इस प्लेलिस्ट में एक बेसिक एजेंट बना के आपको दिखाएंगे भी ठीक
है तो ये भी एक बहुत इंटरेस्टिंग यूज केस है इसके अलावा और बहुत सारे यूज केसेस हो सकते हैं वर्कफ्लो ऑटोमेशन आप करवा सकते
हो अ किसी भी तरह का वर्कफ्लो ऑटोमेशन पर्सनल लेवल पे प्रोफेशनल लेवल पे कंपनी लेवल पे अ वर्कफ्लो को ऑटोमेट करने के लिए
आप एल का इस्तेमाल कर सकते हो हेंस लैंग चन का इस्तेमाल कर सकते हो फिफ्थ यूज केस है समरा इजेशन एंड रिसर्च हेल्पर सो आप
क्या कर सकते हो कि आप रिसर्च पेपर्स या फिर अ बुक्स वगैरह को सिंपलीफाई करने के लिए लैंग चन का इस्तेमाल कर सकते हो सो
आपको ऑलरेडी पता है कि आप अ चैट जीपीटी पे बहुत बड़े बुक्स अपलोड नहीं कर सकते बिकॉज कांटेक्ट लेंथ का प्रॉब्लम है राइट अ
सेकंड एक और प्रॉब्लम हो सकता है कि कई बार आप अपनी कंपनी का प्राइवेट डाटा चार्ट जीपीटी पर अपलोड नहीं कर सकते आपकी कंपनी
ने मना कर रखा है तो आप क्या कर सकते हो कि आपकी कंपनी लैंग चन को यूज करके एक चाट जीपीटी जैसा टूल बना सकती है जो कि अ
कितना भी बड़ा डॉक्यूमेंट को प्रोसेस कर सकता है और उससे रिलेटेड क्वेश्चंस को आंसर कर सकता है और सेकंड ये सिंस आपकी
कंपनी का पर्सनल चैट बॉट है तो यहां पे आप अपनी कंपनी से रिलेटेड जो प्राइवेट डाटा है वो भी अपलोड करके बात कर सकते हो तो इस
तरह के समरा इजेशन एंड रिसर्च से रिलेटेड टूल्स भी बहुत बनने लगे हैं लैंग चन को यूज करके और इसके अलावा फ्यूचर में और ना
जाने क्या-क्या टूल्स बनेंगे बट फ्यूचर ब्राइट लग रहा है ऐसा लग रहा है जैसे एलएलएम बेस्ड एप्लीकेशंस और ज्यादा हमें
देखने को मिलेंगे जैसे वेबसाइट्स का बूम आया था जैसे एप्स का बूम आया था वैसा ही अब लग रहा है कि एलएलएम बेस्ड एप्लीकेशंस
का बूम आने वाला है और वहां पर लैंग चन एक बहुत की रोल प्ले करने वाला है एक लास्ट चीज और कवर करना चाहूंगा इस इंट्रोडक्शन
वीडियो में लैंग चन इकलौता फ्रेमवर्क नहीं है जो एलएलएम एप्लीकेशंस बनाने में आपकी हेल्प करता है अ देयर आर मल्टीपल अ अदर
फ्रेमवर्क्स एज वेल उनमें से दो बहुत फेमस फ्रेमवर्क्स हैं जो शायद आपको सुनने को मिलेंगे वन ऑफ देम इज लामा इंडेक्स एंड द
सेकंड वन इज हेस्टैक अ ये दोनों फ्रेमवर्क्स भी काफी पॉपुलर है और बहुत सारी कंपनीज है जो इन फ्रेमवर्क्स को यूज
कर रही है इंस्टेड ऑफ यूजिंग लैंग चन इट रियली डिपेंड्स ठीक है कहां पे आपको बेटर प्राइसिंग मिल रही है कौन सा टूल आपको
सबसे ज्यादा सही लग रहा है उसके बेसिस पे ये डिसीजन मेकिंग होता है बट या l इक्स थोड़ा ज्यादा पॉपुलर है शायद आपने सुना भी
होगा हमारी वेबसाइट पे इसके ऊपर एक कोर्स भी है एंड द सेकंड वन इज हेक सिमिलर काइंड ऑफ प्लेटफार्म अ अ लाइब्रेरी और फ्रेमवर्क
यू कैन से और यहां पर भी मतलब आपका बहुत आसानी से आप एलएलएम बेस्ड एप्लीकेशंस बना सकते हो ठीक है अ अब चाहूं तो मैं आपको एक
कंपैरेटिव स्टडी दे सकता हूं बिटवीन लंग चन लामा इंडेक्स एंड हेक बट आई फील कि सिंस अभी हमने लैंग चन को ही अच्छे से
स्टडी नहीं किया है तो फिर इट इज नॉट द राइट टाइम बट फ्यूचर में कभी आई विल डेफिनेटली टच दिस टॉपिक जहां पे मैं आपको
लैंग चन लामा इंडेक्स एंड हेक के बीच में प्रोज एंड कॉन्स का एनालिसिस करके दूंगा बट फॉर नाउ आपको बस पता होना चाहिए कि
निकलता फ्रेमवर्क नहीं है देयर आर अदर्स एज वेल ठीक है तो विद दैट आई आईल कंक्लूजन
इंट्रोडक्शन करवाने का लैंग चन से वो मैं करवा पाया और आपको आईडिया हो गया कि लैंग चन क्या है और उसकी जरूरत क्यों है और आप
उससे क्या-क्या कर सकते हो नाउ वी आर रेडी टू मूव अहेड इन आवर जर्नी नेक्स्ट वीडियो है वहां पे हम लैंग चन का जो कंप्लीट
इकोसिस्टम है वो डिस्कस करेंगे एंड ट्रस्ट मी वो जानना बहुत इंपॉर्टेंट है एक बार जब हम वो जान जाएंगे उसके बाद फिर हम
प्रैक्टिकल पार्ट्स में जंप करेंगे कोड करना स्टार्ट करेंगे एलएलएम बेस्ड एप्लीकेशंस बनाना स्टार्ट करेंगे तो अगर
आपको यह वीडियो पसंद आया प्लीज डू लाइक शेयर एंड सब्सक्राइब मिलते हैं नेक्स्ट वीडियो में बाय
LangChain is an open-source framework designed for developing applications powered by large language models (LLMs). Its importance lies in its ability to simplify the process of building LLM-based applications, allowing developers to focus on their ideas rather than the complexities of integration and orchestration.
LangChain can be used to create various applications, including conversational chatbots, AI knowledge assistants, AI agents that can perform tasks, workflow automation tools, and summarization and research helpers. These applications leverage the capabilities of LLMs to enhance user interaction and automate processes.
Some challenges include developing a component that can understand user queries and generate relevant text, managing the computational demands of LLMs, and orchestrating multiple components within the system. However, LangChain addresses many of these challenges by providing built-in functionalities and simplifying integration.
LangChain incorporates memory concepts that allow it to remember context from previous interactions. This means that if a user asks follow-up questions, the system can understand the context without needing the user to repeat information, enhancing the conversational experience.
Some popular alternatives to LangChain include LlamaIndex and Haystack. These frameworks also facilitate the development of LLM-based applications, and the choice between them often depends on specific project requirements and pricing.
Yes, LangChain can be effectively used for workflow automation at personal, professional, and company levels. It allows developers to automate various tasks and processes, making it a versatile tool for enhancing productivity.
Semantic search in LangChain applications allows for more contextually relevant results by understanding the meaning behind user queries rather than relying solely on keyword matching. This leads to more accurate and meaningful responses, improving user satisfaction.
Heads up!
This summary and transcript were automatically generated using AI with the Free YouTube Transcript Summary Tool by LunaNotes.
Generate a summary for free
