RAG pratico: costruzione di applicazioni LLM con dati di origine

Il potere dei modelli di linguaggio di grandi dimensioni è limitato dai loro dati di allenamento.Questo corso fornisce una base pratica nella generazione di recupero aumentata (RAG), il modello essenziale per la costruzione di applicazioni LLM affidabili e basate sui fatti. Si passerà oltre la semplice iniezione di prompt e si imparerà a progettare una pipeline di dati completa che recupera il contesto pertinente prima di generare una risposta. Cosa imparerai: * Comprendere i componenti principali e il flusso di lavoro di un sistema di generazione aumentata di recupero (RAG). * Applicare tecniche per la preparazione dei dati, il chunking e la creazione di embedding per un recupero efficace. * Configurare strategie di indicizzazione e archiviazione vettoriale per ottimizzare la latenza e la pertinenza del recupero. * Progettare strategie di recupero robuste, inclusi meccanismi avanzati di query e ri-ranking. * Praticare l'ingegneria avanzata per sintetizzare il contesto recuperato in risposte coerenti e supportate da fonti. * Valutare la qualità della pipeline RAG utilizzando metriche chiave per fedeltà, pertinenza e utilizzo del contesto. Il corso inizia con concetti fondamentali e passa attraverso le fasi di ingestione e recupero dei dati, culminando in esercizi pratici incentrati sulla generazione e sulla garanzia della qualità.Questo corso è progettato per principianti e sviluppatori nuovi all'ecosistema LLM che vogliono passare dalla comprensione teorica allo sviluppo di applicazioni pratiche. Non è richiesta alcuna esperienza precedente con database vettoriali o apprendimento automatico avanzato. Inizia a creare la tua prima applicazione RAG pronta per la produzione oggi stesso.