La vectorisation a notamment pour objectif de rendre le texte non structuré plus exploitable par les machines. Les embeddings vectoriels y parviennent en codant la sémantique du texte sous forme de vecteurs numeric à haute dimensionalité, qui peuvent être utilisés par des algorithmes de recherche avancés (généralement un algorithme de plus proche voisin approximatif tel que Hierarchical Navigable Small World).

Bonjour la Communauté,

Nous aurons notre session « L'écosystème des développeurs » à READY 2026.

👥 Optimiser le workflow de développement avec la communauté et l’écosystème des développeurs d'InterSystems 

🗓️ Mercredi 29 avril 2026
🕑 15h30 – 15h50 (ET)
📍 Cherry Blossom, Gaylord National Resort & Convention Center, National Harbor, MD 

Les versions de maintenance 2025.1.4 et 2024.1.6 de la plateforme de données InterSystems IRIS^®, d’InterSystems IRIS^® for Health^TM, et de HealthShare^® Health Connect sont désormais disponibles en disponibilité générale (GA). Ces versions incluent les correctifs pour plusieurs alertes et avis récemment publiés, notamment les suivants :

• 15 avril 2026 – Alerte : retrait d’InterSystems IRIS for Health et Health Connect 2024.1.4 et 2024.1.

Résumé

Résumé

Problème

• Les déploiements ne servent pas les interfaces utilisateur de FHIR Server, Bulk FHIR, FHIR SQL ou les interfaces de sécurité associées lorsqu’un préfixe de chemin non par défaut est utilisé.

Comment configurer le RAG pour les agents OpenAI à l'aide d'InterSystems IRIS Vector DB en Python

Dans cet article, je vous présenterai un exemple d'utilisation d'InterSystems IRIS Vector DB pour stocker des représentations vectorielles et les intégrer à un agent OpenAI.

Pour cette démonstration, nous créerons un agent OpenAI au moyen de connaissances sur la technologie InterSystems.