Exemples de notebooks AI Search

Les notebooks suivants montrent comment utiliser le SDK Python AI Search. Pour plus d'informations, consultez la référence du SDK Python.

LangChain

Pour plus d’informations sur l’utilisation de LangChain avec Databricks AI Search, consultez l’intégration de la recherche vectorielle Databricks.

• • Recherche IA avec le SDK Python
  • Créez un endpoint de recherche, créez un index vectoriel delta-sync, exécutez des recherches de similarité et convertissez les résultats en documents LangChain.

Utiliser un modèle d'intégration

Ces notebooks montrent comment configurer un endpoint de Model Serving Databricks pour générer des intégrations.

• • Utiliser un modèle d'intégration OpenAI
  • Utilisez le SDK Python avec un modèle d'intégration externe (OpenAI) pour créer et interroger un index de recherche IA.
• • Utilisez un modèle d'intégration GTE
  • Utilisez le modèle d'intégration de la fondation GTE pour charger un dataset dans une table Delta, découper le texte, créer un endpoint AI Search et un index de synchronisation Delta, et exécuter des recherches de similarité.
• • Enregistrer et déployer un modèle d'intégration OSS.
  • download un modèle d'intégration open source (e5-small-v2) de Hugging Face, enregistrez-le dans Unity Catalog, et déployez-le comme Endpoint de Model Serving pour une utilisation avec Databricks AI Search.

Utiliser la recherche AI avec un jeton OAuth

• • Utilisez AI Search avec un jeton OAuth
  • Interroger un endpoint de recherche Databricks AI à l'aide du SDK Python ou de requêtes HTTP directes, authentifié à l'aide d'un jeton OAuth de Service Principal sur le chemin optimisé pour le réseau.