Podstawy i praktyczne zastosowania Retrieval-Augmented Generation (RAG)

Duże modele językowe często nie mają konkretnej, terminowej lub zastrzeżonej wiedzy.Ten kurs uczy, jak wypełnić tę lukę za pomocą technik Retrieval-Augmented Generation (RAG). Pod koniec tego kursu zrozumiesz architekturę nowoczesnych systemów RAG i będziesz posiadać praktyczne umiejętności budowania, testowania i wdrażania własnych aplikacji AI opartych na danych przy użyciu standardowych narzędzi branżowych, takich jak LangChain i Streamlit. Czego się nauczysz: * Zrozumienie podstawowych elementów RAG, w tym indeksowania, wyszukiwania dokumentów i generowania odpowiedzi. * Ćwicz skuteczne strategie przetwarzania danych i techniki osadzania dla specjalistycznych baz wiedzy. * Wdrożyć przepływy pracy RAG przy użyciu ram orkiestracji LangChain do łączenia komponentów bezproblemowo. * Konfiguruj szablony monitów, aby zapewnić trafność kontekstu i instrukcje dotyczące dokładnych wyników. * Budowanie interfejsów użytkownika dla aplikacji RAG za pomocą ram Streamlit. * Stosować podstawowe metody oceny do oceny trafności i wierności wygenerowanych odpowiedzi. Materiał zaczyna się od zdefiniowania terminologii RAG i podstawowych pojęć, a następnie przechodzi do praktycznych ćwiczeń skupionych na tworzeniu potoków danych, integrowaniu dużych modeli językowych i rozwijaniu interaktywnych interfejsów. Ten kurs jest przeznaczony dla początkujących, którzy mają podstawową wiedzę na temat Pythona i chcą wejść w dziedzinę stosowanej sztucznej inteligencji.Nie jest wymagane wcześniejsze doświadczenie z wdrażaniem LangChain, Streamlit lub LLM. Zacznij opanowywać praktyczne umiejętności potrzebne do budowania nowej generacji narzędzi AI świadomych wiedzy.