Fondamenti e applicazioni pratiche della generazione aumentata di recupero (RAG)

Questo corso ti insegna come colmare questo divario utilizzando le tecniche di Retrieval-Augmented Generation (RAG) e come utilizzare i modelli di linguaggio per creare modelli linguistici complessi. Entro la fine di questo corso, comprenderai l'architettura dei moderni sistemi RAG e possiedi le competenze pratiche per creare, testare e distribuire le tue applicazioni AI basate sui dati utilizzando strumenti standard del settore come LangChain e Streamlit. Cosa imparerai: * Comprendere i componenti principali di RAG, tra cui l'indicizzazione, il recupero dei documenti e la generazione di risposte. * Praticare efficaci strategie di segmentazione dei dati e tecniche di incorporamento per basi di conoscenza specializzate. * Implementare flussi di lavoro RAG utilizzando il framework di orchestrazione LangChain per collegare i componenti senza soluzione di continuità. * Configurare i modelli di prompt per garantire la pertinenza del contesto e le istruzioni seguenti per output accurati. * Costruire interfacce utente per le applicazioni RAG utilizzando il quadro Streamlit. * Applicare metodi di valutazione di base per valutare la pertinenza e la fedeltà delle risposte generate. Il materiale inizia definendo la terminologia RAG e i concetti fondamentali, quindi passa a esercizi pratici incentrati sulla creazione di pipeline di dati, l'integrazione di modelli linguistici di grandi dimensioni e lo sviluppo di front-end interattivi. Questo corso è progettato per i principianti che hanno conoscenze di base di Python e vogliono entrare nel campo dell'IA applicata.Non è richiesta alcuna esperienza precedente con la distribuzione di LangChain, Streamlit o LLM. Inizia a padroneggiare le abilità pratiche necessarie per creare la prossima generazione di strumenti di IA consapevoli della conoscenza.