Создание систем RAG и агентов ИИ с большими языковыми моделями

Возможность использовать большие языковые модели (LLM) с частными данными имеет важное значение для создания мощных, контекстно-зависимых приложений. Образец поиска-дополненного генерирования (RAG) является критическим для достижения этого в производственных средах сегодня. К концу этого курса вы будете понимать архитектуру систем RAG и многоагентных рабочих процессов. Вы приобретете практический опыт в структурировании данных, выборе подходящих векторных хранилищ, разработке эффективных подсказок и развертывании этих решений ИИ для решения конкретных бизнес-проблем. Что вы узнаете: * Понимание основных компонентов и архитектуры систем поиска-дополненного поколения (RAG). * Практика эффективных быстрых методов инженерии для оптимизации взаимодействий LLM и путей рассуждений агентов. * Применять передовые методы для дробления, встраивания и индексирования данных в векторной базе данных. * Настройка агентов и многоагентных рабочих процессов с использованием специализированных инструментов с низким уровнем кодирования для автоматизации сложных задач. * Развертывание и запуск локальных LLM с использованием основ контейнеризации, таких как Docker и специализированных инструментов, таких, как Ollama. Курс начинается с определения LLM, RAG и концепций агентов, прежде чем перейти к практическим шагам реализации. Мы рассмотрим подготовку данных, интеграцию векторного хранилища, настройку агентов и основные стратегии развертывания, чтобы сделать ваши решения доступными. Этот курс предназначен для новичков, разработчиков и специалистов по данным, которые хотят начать создавать практические, контекстно-ориентированные приложения ИИ. Не требуется предыдущий опыт работы с LLM или продвинутым машинным обучением. Начните создавать интеллектуальные системы искусственного интеллекта, основанные на данных, сегодня.