PatentPT : recherche de brevets avec des solutions reposant sur des LLM

Dans cet article, nous explorons un autre enseignement de l’événement YOLO VISION 2023 (YV23), organisé par Ultralytics au Google for Startups Campus de Madrid.

Dans cet article, nous allons découvrir la présentation du fondateur d’Activeloop, Davit Buniatyan, qui nous explique la genèse de PatentPT, une solution de recherche de brevets reposant sur un LLM.

Présentation de PatentPT#

Tu t’es déjà senti submergé par le volume considérable de données sur les brevets et la lourdeur des recherches ? PatentPT a été conçu précisément pour répondre à ce problème.

Animée par Davit Buniatyan, cette présentation partage des conseils pratiques sur l’ajustement fin et le déploiement de grands modèles de langage (LLM) pour la complétion automatique de brevets, la génération de résumés et de revendications, ainsi que les fonctions de recherche avancée dans un vaste corpus de brevets.

Activeloop et DeepLake : une couche unifiée de stockage de données pour l’IA#

Avant d’entrer dans les détails de PatentPT, découvrons la création d’Activeloop : DeepLake, une base de données pour l’IA. La pile de données de l’IA étant fragmentée entre différents systèmes de stockage, DeepLake fournit une couche de stockage unifiée qui simplifie les flux de travail de l’IA.

Du stockage des métadonnées aux données non structurées et aux vecteurs d’intégration, DeepLake simplifie le processus afin que les scientifiques des données puissent se concentrer sur l’entraînement des modèles d’apprentissage automatique sans avoir à gérer les données.

Architecture et fonctionnalités de DeepLake#

Découvrons maintenant l’architecture et les fonctionnalités de DeepLake. Grâce à ses composants open source et à sa conception sans serveur, DeepLake permet de stocker et de versionner les données sur un stockage objet et se connecte directement aux modèles d’apprentissage automatique. Il comprend également Deep Memory, une fonctionnalité qui améliore la précision de la recherche sans modifier les vecteurs d’intégration.

Démo de Deep Memory : optimiser la recherche de brevets#

Davit nous a permis d’approfondir ce flux de travail grâce à une démonstration en direct montrant comment Deep Memory améliore la recherche de brevets. Nous avons pu constater directement que Deep Memory améliore la précision jusqu’à 22 % et fournit des résultats en moins d’une seconde, pour une fraction du coût des solutions traditionnelles.

Résultat : une recherche de brevets plus rapide et plus précise, sans avoir à faire défiler indéfiniment les bases de données de brevets.

La genèse de PatentPT : du concept à la réalité#

Tu t’es déjà demandé comment PatentPT a vu le jour ? Revenons en arrière pour examiner de plus près les étapes de sa création. De l’entraînement et de l’ajustement fin des modèles LLM à la conception de fonctionnalités personnalisées et au déploiement d’API de recherche, Davit Buniatyan a présenté chacune des étapes suivies par l’équipe d’Activeloop.

Libérer le potentiel des LLM : l’avenir des solutions d’IA#

Dans l’ensemble, PatentPT illustre le potentiel des solutions reposant sur des LLM dans des domaines spécialisés comme la recherche de brevets. Les travaux d’Activeloop sur DeepLake ouvrent la voie à des solutions d’IA qui accélèrent et réduisent le coût d’exploitation des données non structurées.

Pour conclure#

À mesure que l’IA progresse, sa véritable valeur réside non seulement dans la technologie elle-même, mais aussi dans sa capacité à nous aider à résoudre des problèmes concrets. Rejoins notre communauté, consulte notre documentation et notre dépôt GitHub pour rester au courant des dernières avancées !