llm_lab/docs/guide_utilisation.md

Guide d'utilisation des agents et classes LLM

Ce guide fournit des instructions détaillées sur l'utilisation des différents agents et classes LLM disponibles dans le projet LLM Lab.

Table des matières

1. Utilisation des modèles LLM

   • LlamaVision90B
   • MistralAPI

2. Utilisation des agents

   • Agent d'analyse d'images
   • Agent d'analyse JSON
   • Agent de questions-réponses

3. Exemples de workflows complets

Utilisation des modèles LLM

Les modèles LLM sont accessibles via la factory LLMFactory pour garantir une instanciation cohérente et configurable.

LlamaVision90B

Ce modèle est spécialisé dans l'analyse d'images avec des capacités multimodales (texte + image).

Configuration de base

from core.factory import LLMFactory

# Création d'une instance via la factory
vision_llm = LLMFactory().create("llamavision")

# Configuration des paramètres
vision_llm.parametres_generation["temperature"] = 0.2
vision_llm.parametres_generation["max_tokens"] = 1000
vision_llm.parametres_avances["top_p"] = 0.9

Analyse d'une image

# Définir le chemin de l'image
vision_llm.definir_image("chemin/vers/image.jpg")

# Générer une description de l'image
prompt = "Décris en détail ce que tu vois dans cette image."
description = vision_llm.generate(prompt)
print(description)

Analyse avec des données JSON complémentaires

# Définir des données JSON complémentaires
donnees_complementaires = {
    "metadata": {
        "source": "caméra de surveillance",
        "timestamp": "2023-03-15T14:30:00",
        "location": "entrée principale"
    }
}

vision_llm.definir_donnees_json(donnees_complementaires)

# Générer une analyse avec contexte
prompt = "Analyse cette image en tenant compte des métadonnées fournies."
resultat = vision_llm.generate(prompt)

MistralAPI

Cette classe permet d'accéder aux modèles de langage de Mistral AI via leur API.

Configuration de base

from core.factory import LLMFactory
import os

# Définir la clé API (ou via variable d'environnement)
os.environ["MISTRAL_API_KEY"] = "votre_clé_api"

# Création d'une instance via la factory
mistral = LLMFactory().create("mistralapi")

# Configuration des paramètres
mistral.parametres_generation["temperature"] = 0.7
mistral.parametres_generation["max_tokens"] = 500

Génération de texte

# Génération simple
prompt = "Explique le concept de l'intelligence artificielle en 3 paragraphes."
reponse = mistral.generate(prompt)
print(reponse)

Obtention de la liste des modèles disponibles

modeles = mistral.obtenir_liste_modeles()
print("Modèles disponibles:")
for modele in modeles:
    print(f"- {modele}")

Utilisation des agents

Les agents sont des composants de plus haut niveau qui encapsulent les modèles LLM avec des fonctionnalités spécifiques.

Agent d'analyse d'images

Cet agent facilite l'analyse d'images en utilisant LlamaVision.

from agents.analyse_image import AgentAnalyseImage

# Création de l'agent
agent = AgentAnalyseImage("AgentVision")

# Analyse simple d'une image
resultats = agent.executer(
    "chemin/vers/image.jpg",
    question="Que vois-tu dans cette image? Y a-t-il du texte visible?"
)

# Affichage des résultats
print(resultats["analyses"][0]["reponse"])

# Sauvegarde des résultats
agent.sauvegarder_resultats("resultats_analyse.json", resultats)

Agent d'analyse JSON

Cet agent permet d'analyser et de manipuler des données JSON.

from agents.analyse_json import AgentAnalyseJSON

# Création de l'agent
agent = AgentAnalyseJSON("AgentJSON")

# Données JSON à analyser
donnees = {
    "utilisateurs": [
        {"id": 1, "nom": "Dupont", "age": 32},
        {"id": 2, "nom": "Martin", "age": 45},
        {"id": 3, "nom": "Durand", "age": 28}
    ],
    "statistiques": {
        "moyenne_age": 35,
        "total_utilisateurs": 3
    }
}

# Analyse des données
resultats = agent.executer(
    donnees,
    question="Quelles informations importantes peux-tu extraire de ces données?"
)

print(resultats["analyse"])

# Extraction de la structure
structure = agent.extraire_structure(donnees)
print("Structure des données:", structure)

Agent de questions-réponses

Cet agent utilise MistralAPI pour des interactions de type questions-réponses.

from agents.agent_question_reponse import AgentQuestionReponse

# Création de l'agent avec le modèle souhaité
agent = AgentQuestionReponse("AgentQR", modele="mistral-large-latest")

# Poser une question simple
resultat = agent.executer("Comment fonctionne l'apprentissage par renforcement?")
print(resultat["reponse"])

# Poser une question avec contexte
contexte = {
    "sujet": "Intelligence artificielle",
    "domaine": "Apprentissage automatique",
    "concepts_cles": ["réseaux de neurones", "deep learning", "données d'entraînement"]
}

resultat_avec_contexte = agent.executer(
    "Quelles sont les différences entre l'apprentissage supervisé et non supervisé?",
    contexte=contexte
)
print(resultat_avec_contexte["reponse"])

# Générer des questions à partir d'un contexte
questions = agent.generer_questions(contexte, nombre=5)
for i, question in enumerate(questions, 1):
    print(f"{i}. {question}")

# Évaluer une réponse
evaluation = agent.evaluer_reponse(
    question="Qu'est-ce que le deep learning?",
    reponse="Le deep learning est une technique d'IA qui utilise des réseaux de neurones profonds."
)
print(evaluation["evaluation_detaillee"])
print("Scores:", evaluation["scores"])

Exemples de workflows complets

Workflow d'analyse d'image avec post-traitement

from agents.analyse_image import AgentAnalyseImage
from agents.analyse_json import AgentAnalyseJSON
from agents.agent_question_reponse import AgentQuestionReponse
import json

# 1. Analyse de l'image
agent_image = AgentAnalyseImage("AgentVision")
resultats_image = agent_image.executer("chemin/vers/image.jpg")

# 2. Analyse des résultats JSON
agent_json = AgentAnalyseJSON("AgentJSON")
resultats_analyse = agent_json.executer(
    resultats_image,
    question="Extrais les éléments clés détectés dans l'image."
)

# 3. Génération de questions sur le contenu
agent_qr = AgentQuestionReponse("AgentQR")
questions = agent_qr.generer_questions(resultats_analyse, nombre=3)

# 4. Sauvegarde des résultats complets
workflow_results = {
    "analyse_image": resultats_image,
    "analyse_structure": resultats_analyse,
    "questions_potentielles": questions
}

with open("resultats_workflow.json", "w", encoding="utf-8") as f:
    json.dump(workflow_results, f, ensure_ascii=False, indent=2)

Ce workflow illustre comment combiner plusieurs agents pour créer une chaîne de traitement complète, de l'analyse d'image initiale jusqu'à la génération de questions pertinentes sur le contenu identifié.