Budowanie systemów RAG i agentów AI z dużymi modelami językowymi

Możliwość wykorzystania dużych modeli językowych (LLM) z danymi prywatnymi jest niezbędna do tworzenia zaawansowanych aplikacji kontekstowych. Retrieval-Augmented Generation (RAG) jest kluczowym wzorcem do osiągnięcia tego w dzisiejszych środowiskach produkcyjnych. Pod koniec tego kursu zrozumiesz architekturę systemów RAG i przepływów pracy z wieloma agentami. Zdobędziesz praktyczne doświadczenie w strukturyzowaniu danych, wyborze odpowiednich magazynów wektorowych, projektowaniu skutecznych monitów i wdrażaniu tych rozwiązań AI w celu rozwiązania konkretnych problemów biznesowych. Czego się nauczysz: * Zrozumienie podstawowych komponentów i architektury systemów Retrieval-Augmented Generation (RAG). * Ćwicz skuteczne techniki szybkiej inżynierii w celu optymalizacji interakcji LLM i ścieżek rozumowania agenta. * Zastosuj najlepsze praktyki dotyczące dzielenia danych, osadzania i indeksowania w bazie danych wektorowych. * Konfiguruj agentów i przepływy pracy z wieloma agentami za pomocą specjalistycznych narzędzi low-code do złożonej automatyzacji zadań. * Wdrażaj i uruchamiaj lokalne LLM przy użyciu podstaw konteneryzacji, takich jak Docker i specjalistycznych narzędzi, takich Jak Ollama. Kurs rozpoczyna się od zdefiniowania LLM, RAG i koncepcji agentów przed przejściem do praktycznych kroków wdrażania. Przechodzimy przez przygotowanie danych, integrację z magazynem wektorów, konfigurację agentów i podstawowe strategie wdrażania, aby uczynić Twoje rozwiązania dostępnymi. Ten kurs jest przeznaczony dla początkujących, programistów i praktyków danych, którzy chcą rozpocząć tworzenie praktycznych, kontekstowych aplikacji AI. Nie jest wymagane wcześniejsze doświadczenie z LLM lub zaawansowanym uczeniem maszynowym. Zacznij tworzyć inteligentne, oparte na danych systemy AI już dziś.