Votre banque de workflows n8n.

Ce workflow n8n a pour objectif de transformer des emails en embeddings vectoriels en utilisant Ollama et PGVector. Dans un contexte où l'analyse de données textuelles devient cruciale pour les entreprises, ce processus permet de structurer et d'extraire des informations pertinentes à partir des emails reçus. Les cas d'usage incluent l'amélioration de la recherche d'informations, la catégorisation automatique des emails et l'optimisation des réponses automatisées. Étape 1 : Le workflow est déclenché par un événement Gmail, permettant de récupérer un lot de messages. Étape 2 : Les emails sont ensuite traités par le noeud 'Extract email fields' pour extraire les informations nécessaires. Étape 3 : Les données sont chargées et divisées en segments gérables grâce au 'Recursive Character Text Splitter'. Étape 4 : Les embeddings sont générés via le noeud 'Embeddings Ollama', qui utilise un modèle spécifique pour transformer le texte en vecteurs. Étape 5 : Les résultats sont stockés dans une base de données PostgreSQL à l'aide des noeuds 'Store structured' et 'Store vectorized'. Ce workflow offre des bénéfices significatifs en permettant une gestion efficace des données, réduisant ainsi le temps consacré à l'analyse manuelle et augmentant la précision des résultats obtenus.

Ce workflow n8n a pour objectif de charger des données vectorielles depuis Google Drive vers une base de données PGVector. Il s'adresse aux entreprises qui souhaitent automatiser le traitement de documents et l'extraction de données pour améliorer leur gestion de l'information. En utilisant des outils comme Google Drive, OpenAI et PostgreSQL, ce processus permet de transformer des fichiers en données exploitables, facilitant ainsi l'analyse et la recherche d'informations. Étape 1 : le workflow commence par un déclencheur manuel, permettant à l'utilisateur de lancer le processus à tout moment. Étape 2 : il utilise le nœud 'Search Folder' pour localiser le fichier souhaité dans Google Drive. Étape 3 : une fois le fichier trouvé, le nœud 'Download File' le télécharge pour traitement. Étape 4 : le nœud 'Extract from PDF', 'Extract from Text' ou 'Extract from JSON' est ensuite utilisé pour extraire les données pertinentes du fichier. Étape 5 : les données sont ensuite divisées en morceaux gérables grâce au 'Recursive Character Text Splitter'. Étape 6 : ces morceaux sont ensuite transformés en embeddings via le nœud 'Embeddings OpenAI'. Enfin, Étape 7 : les données vectorisées sont stockées dans la base de données PGVector à l'aide du nœud 'Postgres PGVector Store'. Ce workflow offre une solution efficace pour automatiser la gestion des données, réduisant ainsi le temps et les efforts nécessaires pour traiter manuellement des fichiers, tout en minimisant les erreurs humaines.