Name: Augmentation des modèles de langage de grande taille via des plongements vectoriels pour améliorer la réactivité spécifique au domaine (Vidéo) | JoVE Journal
Uploaded: 2024-12-06T12:20:00.000+00:00
Duration: 3 min 14 s
Description: Découvrez comment améliorer les réponses des grands modèles de langage grâce à des plongements vectoriels d'articles scientifiques. Cette méthode permet de comparer les performances entre différents modèles.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<meta charset="utf8"></head><body>Intégration de méthodes pour intégrer des manuscrits scientifiques dans de grands modèles de langage

<ol><li>Singhal, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large+language+models+encode+clinical+knowledge%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Large language models encode clinical knowledge.</a> Nature. 620 (7972), 172-180 (2023).</li>
<li>Gilson, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+does+ChatGPT+perform+on+the+United+States+medical+licensing+examination%3F+The+implications+of+large+language+models+for+medical+education+and+knowledge+assessment%5BTitle%5D)+AND+%22JMIR+Med+Educ%22%5BJournal%5D)">How does ChatGPT perform on the United States medical licensing examination? The implications of large language models for medical education and knowledge assessment.</a> JMIR Med Educ. 9 (1), e45312(2023).</li>
<li>Guerra, G. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((GPT-4+artificial+intelligence+model+outperforms+ChatGPT%2C+medical+students%2C+and+neurosurgery+residents+on+neurosurgery+written+board-like+questions%5BTitle%5D)+AND+%22World+Neurosurg%22%5BJournal%5D)">GPT-4 artificial intelligence model outperforms ChatGPT, medical students, and neurosurgery residents on neurosurgery written board-like questions.</a> World Neurosurg. 179, e160-e165 (2023).</li>
<li>Terwiesch, C. Would Chat GPT3 get a Wharton MBA? A prediction based on its performance in the Operations Management course. , 
 <a target="_blank" href="https://mackinstitute.wharton.upenn.edu/wp-content/uploads/2023/01/Christian-Terwiesch-Chat-GTP.pdf">https://mackinstitute.wharton.upenn.edu/wp-content/uploads/2023/01/Christian-Terwiesch-Chat-GTP.pdf</a> (2023).</li>
<li>Weizenbaum, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ELIZA-a+computer+program+for+the+study+of+natural+language+communication+between+man+and+machine%5BTitle%5D)+AND+%22Communications+of+the+ACM%22%5BJournal%5D)">ELIZA-a computer program for the study of natural language communication between man and machine.</a> Communications of the ACM. 9 (1), 36-45 (1966).</li>
<li>Wu, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+brief+overview+of+ChatGPT%3A+The+history%2C+status+quo+and+potential+future+development%5BTitle%5D)+AND+%22IEEE%2FCAA+Journal+of+Automatica+Sinica%22%5BJournal%5D)">A brief overview of ChatGPT: The history, status quo and potential future development.</a> IEEE/CAA Journal of Automatica Sinica. 10 (5), 1122-1136 (2023).</li>
<li>Touvron, H., et al. Llama 2: Open foundation and fine-tuned chat models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2307.09288">http://arxiv.org/abs/2307.09288</a> (2023).</li>
<li>Huang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+survey+on+hallucination+in+large+language+models%3A+Principles%2C+taxonomy%2C+challenges%2C+and+open+questions%5BTitle%5D)+AND+%22arXiv+%5Bcs.CL%5D%22%5BJournal%5D)">A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions.</a> arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2311.05232">http://arxiv.org/abs/2311.05232</a> (2023).</li>
<li>Thirunavukarasu, A. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large+language+models+in+medicine%5BTitle%5D)+AND+%22Nature+Med%22%5BJournal%5D)">Large language models in medicine.</a> Nature Med. 29 (8), 1930-1940 (2023).</li>
<li>Lewis, P., et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2005.11401">http://arxiv.org/abs/2005.11401</a> (2020).</li>
<li>Li, J., Yuan, Y., Zhang, Z. Enhancing LLM factual accuracy with RAG to counter hallucinations: A case study on domain-specific queries in private knowledge-bases. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2403.10446">http://arxiv.org/abs/2403.10446</a> (2024).</li>
<li>Zhang, P., Xiao, S., Liu, Z., Dou, Z., Nie, J. -Y. Retrieve anything to augment large language models. arXiv [cs.IR]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.07554">http://arxiv.org/abs/2310.07554</a> (2023).</li>
<li>Ling, C., et al. Domain specialization as the key to make large language models disruptive: A comprehensive survey. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2305.18703">http://arxiv.org/abs/2305.18703</a> (2023).</li>
<li>Ram, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In-Context+retrieval-augmented+language+models%5BTitle%5D)+AND+%22Trans+Assoc+Comput+Linguist%22%5BJournal%5D)">In-Context retrieval-augmented language models.</a> Trans Assoc Comput Linguist. 11, 1316-1331 (2023).</li>
<li>Cormode, G. Sequence distance embeddings. , The University of Warwick. 
 <a target="_blank" href="https://wrap.warwick.ac.uk/61310/7/WRAP_THESIS_Cormode_2003.pdf">https://wrap.warwick.ac.uk/61310/7/WRAP_THESIS_Cormode_2003.pdf</a> (2003).</li>
<li>Guo, Z., et al. Evaluating large language models: A comprehensive survey. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.19736">http://arxiv.org/abs/2310.19736</a> (2023).</li>
<li>Chicago Consensus Working Group. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Chicago+Consensus+Guidelines+for+peritoneal+surface+malignancies%3A+Introduction%5BTitle%5D)+AND+%22Cancer%22%5BJournal%5D)">The Chicago Consensus Guidelines for peritoneal surface malignancies: Introduction.</a> Cancer. 126 (11), 2510-2512 (2020).</li>
<li>Wang, G., et al. OpenChat: Advancing open-source language models with mixed-quality data. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2309.11235">http://arxiv.org/abs/2309.11235</a> (2023).</li>
<li>Jiang, A. Q., et al. Mistral 7B. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.06825 ">http://arxiv.org/abs/2310.06825 </a> (2023).</li>
<li>Megahed, F. M., et al. AI and the future of work in statistical quality control: Insights from a first attempt to augmenting ChatGPT with an SQC knowledge base (ChatSQC). arXiv [cs.HC]. , 
 <a target="_blank" href="http://arxiv.org/abs/2308.13550">http://arxiv.org/abs/2308.13550</a> (2023).</li>
<li>Wang, Y., Ma, X., Chen, W. Augmenting black-box LLMs with medical textbooks for clinical question answering. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2309.02233">http://arxiv.org/abs/2309.02233</a> (2023).</li>
<li>Dodge, J., et al. Measuring the carbon intensity of AI in cloud instances. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aDodge%2C+J+%22FACCT+2022%22">FACCT 2022</a>. , (2022).</li>
<li>Samsi, S., et al. From words to watts: Benchmarking the energy costs of large language model inference. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2310.03003">http://arxiv.org/abs/2310.03003</a> (2023).</li>
<li>Khene, Z. -E., Bigot, P., Mathieu, R., Rouprêt, M., Bensalah, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Development+of+a+personalized+chat+model+based+on+the+European+association+of+urology+oncology+guidelines%3A+Harnessing+the+power+of+generative+artificial+intelligence+in+clinical+practice%5BTitle%5D)+AND+%22Eur+Urol+Oncol%22%5BJournal%5D)">Development of a personalized chat model based on the European association of urology oncology guidelines: Harnessing the power of generative artificial intelligence in clinical practice.</a> Eur Urol Oncol. 7 (1), 160-162 (2024).</li>
<li>Kresevic, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimization+of+hepatological+clinical+guidelines+interpretation+by+large+language+models%3A+a+retrieval+augmented+generation-based+framework%5BTitle%5D)+AND+%22NPJ+Digit+Med%22%5BJournal%5D)">Optimization of hepatological clinical guidelines interpretation by large language models: a retrieval augmented generation-based framework.</a> NPJ Digit Med. 7 (1), 102(2024).</li>
<li>Ge, J., et al. Development of a liver disease-specific large language model chat interface using retrieval augmented generation. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGe%2C+J+%22medRxiv%22">medRxiv</a>. , (2023).</li>
<li>Rule-augmented artificial intelligence-empowered systems for medical diagnosis using large language models. Panagoulias, D. P., et al. 2023 IEEE 35th International Conference on Tools with Artificial Intelligence (ICTAI), , 70-77 (2023).</li>
<li>Panagoulias, D. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Augmenting+large+language+models+with+rules+for+enhanced+domain-specific+interactions%3A+The+case+of+medical+diagnosis%5BTitle%5D)+AND+%22Electronics%22%5BJournal%5D)">Augmenting large language models with rules for enhanced domain-specific interactions: The case of medical diagnosis.</a> Electronics. 13 (2), 320(2024).</li>
<li>Jin, Q., et al. Matching patients to clinical trials with large language models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2307.15051">http://arxiv.org/abs/2307.15051</a> (2023).</li>
<li>Gupta, S. K., et al. PRISM: Patient records interpretation for semantic clinical trial matching using large language models. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2404.15549">http://arxiv.org/abs/2404.15549</a> (2024).</li>
<li>Hendrycks, D., et al. Measuring massive multitask language understanding. arXiv [cs.CY]. , 
 <a target="_blank" href="http://arxiv.org/abs/2009.03300">http://arxiv.org/abs/2009.03300</a> (2020).</li>
<li>Lin, S., Hilton, J., Evans, O. TruthfulQA: Measuring how models mimic human falsehoods. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2109.07958">http://arxiv.org/abs/2109.07958</a> (2021).</li>
<li>Bommasani, R., Liang, P., Lee, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Holistic+evaluation+of+language+models%5BTitle%5D)+AND+%22Ann+N+Y+Acad+Sci%22%5BJournal%5D)">Holistic evaluation of language models.</a> Ann N Y Acad Sci. 1525 (1), 140-146 (2023).</li>
<li>Banerjee, D., Singh, P., Avadhanam, A., Srivastava, S. Benchmarking LLM powered Chatbots: Methods and Metrics. arXiv [cs.CL]. , 
 <a target="_blank" href="http://arxiv.org/abs/2308.04624">http://arxiv.org/abs/2308.04624</a> (2023).</li>
<li>Papineni, K., Roukos, S., Ward, T., Zhu, W. -J. Bleu. Proceedings of the 40th Annual Meeting on Association for Computational Linguistics - ACL '02. , (2001).</li>
<li>Wang, A., Singh, A., Michael, J., Hill, F., Levy, O., Bowman, S. R. Glue: A multi-task benchmark and analysis platform for natural language understanding. , 
 <a target="_blank" href="http://arxiv.org/abs/1804.07461">http://arxiv.org/abs/1804.07461</a> (2019).</li>
<li>Johnson, D., et al. Assessing the accuracy and reliability of AI-generated medical responses: An evaluation of the chat-GPT model. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aJohnson%2C+D+%22Res+Sq%22">Res Sq</a>. , (2023).</li>
<li>Lin, C. -Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ROUGE%3A+A+package+for+automatic+evaluation+of+summaries%5BTitle%5D)+AND+%22Text+Summarization+Branches+Out%22%5BJournal%5D)">ROUGE: A package for automatic evaluation of summaries.</a> Text Summarization Branches Out. , 74-81 (2004).</li>
<li>Chen, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+ChatGPT+family+of+models+for+biomedical+reasoning+and+classification%5BTitle%5D)+AND+%22J+Am+Med+Inform+Assoc%22%5BJournal%5D)">Evaluating the ChatGPT family of models for biomedical reasoning and classification.</a> J Am Med Inform Assoc. 31 (4), 940-948 (2024).</li>
</ol>

<table><tbody><tr><td>pip3 version 22.0.2&nbsp ;</td><td></td><td></td><td></td></tr><tr><td>Version 3.10.12</td><td></td><td></td><td></td> de Python</tr></tbody></table>

augmentation des modèles de langage de grande taille via des plongements vectoriels pour améliorer la réactivité spécifique au domaine

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Un ensemble de 22 publications des directives de gestion du Chicago Consensus Working Group a été utilisé pour augmenter le modèle de base Llama-7b17. Les documents ont été convertis en un index vectoriel à l’aide de l’outil Llama-Index pour générer Llama-2-7b-CCWG-Embed. Les modèles OpenAI populaires tels que GPT-3.5 et GPT-4 ont également été augmentés de la même manière pour produire des modèles GPT-XX-CCWG-Embed. Au total, 20 questions à choix multiples (QCM) ont été élaborées pour évaluer les connaissances liées à la prise en charge de diverses tumeurs malignes de la surface péritonéale. Les QCM ont été créés par un oncologue chirurgical certifié pour tester le niveau de connaissances attendu d’un boursier en oncologie chirurgicale. Llama-2-7b-CCWG-Embed a obtenu des résultats nettement meilleurs que le modèle de base (voir tableau 1), tout comme les modèles OpenAI augmentés. Ceci est considéré comme un résultat positif pour cette méthode, car les performances du modèle ont été améliorées avec l’augmentation par rapport à la ligne de base.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66796/66796fig01.jpg"> 
Figure 1 : Schéma de génération d’une base de données vectorielle à partir d’articles universitaires. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig01large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de cette figure.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66796/66796fig02.jpg"> 
Figure 2 : Schéma général du système pour le LLM augmenté. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig02large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de cette figure.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66796/66796fig03.jpg"> 
Figure 3 : Modèle Llama-2 augmenté fonctionnant dans un terminal Linux. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig03large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66796/66796fig04.jpg"> 
Figure 4 : Résultat de la requête du modèle Llama-2 augmenté. <a href="https://www.jove.com/files/ftp_upload/66796/66796fig04large.jpg" target="_blank">Veuillez cliquer ici pour voir une version plus grande de cette figure.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>LLM</td>
			<td>Score (% correct)</td>
		</tr>
		<tr>
			<td>Lama-2-7b-chat-hf</td>
			<td>65%</td>
		</tr>
		<tr>
			<td>Llama-2-7B-CCWG-Embed</td>
			<td>75%</td>
		</tr>
		<tr>
			<td>Par Openchat-3.5-010618</td>
			<td>65%</td>
		</tr>
		<tr>
			<td>Mistral-7B-v0.119</td>
			<td>70%</td>
		</tr>
		<tr>
			<td>GPT-3.5</td>
			<td>75%</td>
		</tr>
		<tr>
			<td>GPT-3.5-CCWG-Embed</td>
			<td>85%</td>
		</tr>
		<tr>
			<td>GPT-4</td>
			<td>85%</td>
		</tr>
		<tr>
			<td>GPT-4-CCWG-Embed</td>
			<td>90%</td>
		</tr>
	</tbody>
</table>
Tableau 1 : Scores (pourcentage de correction) de divers LLM sur une série de 20 questions relatives à la gestion de la malignité péritonéale.

Augmentation des modèles de langage de grande taille via des plongements vectoriels pour améliorer la réactivité spécifique au domaine

Large language models (LLMs) have emerged as a popular resource for generating information relevant to a user query. Such models are created through a ...

augmenting-large-language-models-via-vector-embeddings-to-improve

Research

Recherche

JoVE Journal

Medicine

Médecine

Cet article décrit RUGGED (Retrieval Under Graph-Guided Explainable disease Distinction), qui intègre l’inférence LLM (Large Language Model) à la génération augmentée par récupération (RAG). Il s’appuie sur des bases de connaissances biomédicales organisées par des experts et des publications biomédicales évaluées par des pairs afin de synthétiser de nouvelles connaissances à partir d’informations à jour, d’identifier des prédictions explicables et exploitables et d’identifier des directions...

Synthèse des connaissances fondées sur des données probantes et validation d’hypothèses : naviguer dans les bases de connaissances biomédicales via l’IA explicable et les systèmes agentiques

Nous proposons une approche de réglage fin basée sur l’apprentissage par renforcement pour les grands modèles de langage, utilisant l’Indice d’Hallucinations Enti (EHI) comme signal de récompense pour réduire les hallucinations au niveau des entités dans le résumé textuel. Des expériences sur les transcriptions des réunions montrent que cette méthode améliore la fidélité et la précision des entités.

Affinage de grands modèles de langage à l’aide de l’Entity Hallucination Index pour le résumé du texte

L'interférence ARN (ARNi) possède de nombreux avantages sur inactivation du gène et a été largement utilisé comme un outil dans les études fonctionnelles de gènes. L'invention de l'ADN à base de vecteurs ARNi la technologie a fait à long terme et inactivation génique inductible possible, et a également augmenté la faisabilité de l'inactivation du...

ADN vecteur basé sur l&#39;interférence ARN pour étudier la fonction des gènes dans le cancer

Nous explorons l'utilisation de la stimulation magnétique transcrânienne répétitive (rTMS) pour améliorer les compétences linguistiques chez les patients ayant subi un AVC chronique et non couramment l'aphasie. Après avoir identifié un site dans la bonne gyrus frontal pour chaque patient qui répond de façon optimale à la stimulation, nous ciblons ce site pendant les dix jours de traitement par SMTr.

Utilisant Stimulation magnétique transcrânienne répétitive pour améliorer la fonction de la langue chez les patients avec un AVC chronique aphasie non fluente

La plupart des études impliquant l’appareil de Langendorff utilisent de petits modèles animaux en raison de la complexité accrue des systèmes pour les grands mammifères. Nous décrivons un système de Langendorff pour les grands modèles animaux qui permet une utilisation sur une gamme d’espèces, y compris les humains, et une acquisition de données relativement facile.

Un système de Coeur de travail isolé pour les grands modèles animaux

Ce protocole décrit l'application des ultrasons à haute fréquence (HFU) pour l'imagerie souris ganglions lymphatiques du col utérin. Cette technique permet d'optimiser la visualisation et la quantification de la morphologie du col de ganglion lymphatique, le volume et le débit sanguin. Guidée par l'image de biopsie des ganglions lymphatiques cervicaux et de traitement de tissu lymphatique pour l'évaluation histologique est également démontrée.

Haute fréquence imagerie par ultrasons de souris cervicales ganglions lymphatiques

Ce manuscrit décrit comment l’administration locale de gènes par vecteur viral offre un moyen attrayant d’exprimer des transgènes dans le système nerveux central.  Le protocole décrit toutes les étapes cruciales pour effectuer une injection de vecteur viral dans la substance noire du rat afin de développer un modèle animal basé sur un vecteur viral pour la maladie de Parkinson.

Élaboration d&#39;un modèle de rat à base alpha-synucléine pour la maladie de Parkinson par injection stéréotaxique d&#39;un vecteur viral adéno-associé recombinant

Il existe une demande pour faire précliniques Essais pour une nouvelle classe de médicaments « orphelins » appelées chaperons pharmacologiques reproductible, rapide et efficace. Nous avons développé un test culture cellule simple, très standardisé et polyvalent à écran pour patients admissibles ainsi que des médicaments nouveaux chaperons pharmacologiques.

In Vitro Mesure d’enzyme à Test pharmacologique chaperon réactivité Fabry et la maladie de Pompe

L'administration intratrachéale (IT) des agents expérimentaux chez les souris a souvent comme conséquence la livraison asymétrique aux poumons distal.  Dans ce rapport, nous décrivons une approche intrabronchique directe (IB) pour cannuler chaque poumon dans les souris vivantes non-opératoirement.  Cette approche peut être utilisée pour administrer sélectivement des agents à un poumon ou peut être adaptée pour améliorer l'administration d'agents symétriques aux deux poumons.

Administration intrabronchique directe pour améliorer le dépôt sélectif d'agent dans le poumon de souris

Des modèles in vitro d’angiogenèse coronaire peuvent être utilisés pour la découverte des mécanismes cellulaires et moléculaires de l’angiogenèse coronaire. Les cultures d’explantation in vitro des tissus sinus venosus et endocardium montrent une croissance robuste en réponse au VEGF-A et affichent un modèle similaire d’expression DEMENT-TFII comme in vivo.

Modèle in Vitro de l’angiogenèse coronaire

Découvrez comment améliorer les réponses des grands modèles de langage grâce à des plongements vectoriels d'articles scientifiques. Cette méthode permet de comparer les performances entre différents modèles.

Augmentation des modèles de langage de grande taille via des plongements vectoriels pour améliorer la réactivité spécifique au domaine (Vidéo) | JoVE Journal

Augmentation des modèles de langage de grande taille via des plongements vectoriels pour améliorer la réactivité spécifique au domaine

Explorer plus de vidéos