Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Lerne, wie du von einfachen LLM-Aufrufen zu multimodalen RAG-Workflows mit Weaviate gelangst! Du lernst, PDF-Dokumente zu verarbeiten, um wichtige Textinhalte wie Absätze, Überschriften und Tabellen zu extrahieren. Du erstellst Embeddings und speicherst diese Daten zur Abfrage in Weaviate. Abschließend formulierst du effektive Retrieval-Prompts für generative Modelle. Zum krönenden Abschluss behandelst du PDFs als Bilder, um Kontext aus Grafiken und Diagrammen zu erhalten, der sonst verloren geht. Du nutzt das multimodale Embedding-Modell ColPali zusammen mit einem multimodalen Generationsmodell von OpenAI, um erste Unterhaltungen mit Bildern und Dokumenten zu führen!
Voraussetzungen
Lernprogramm
Kursübersicht
1
RAG-Grundlagen mit Weaviate
Entdecke, wie Weaviate RAG-Anwendungen ermöglicht! Du baust einen RAG-Workflow Schritt für Schritt von Hand auf, um die Schritte Retrieval–Augmentation–Generation kennenzulernen. Dieses Verständnis ermöglicht dir in Kapitel 2 robuste und optimierte RAG-Workflows mit Weaviate.
2
End-to-End RAG mit Weaviate
Auch wenn es Spaß macht, RAG-Workflows von Hand zu coden, verpasst du dabei möglicherweise Optimierungen durch Tools wie Weaviate. In diesem Kapitel erstellst du Embeddings, speicherst, rufst ab und generierst Antworten – alles mit Weaviate!
3
Multimodales RAG
Im letzten Kapitel hast du die Textinhalte der PDF-Dokumente genutzt, um deine Dokument-Chunks zu erstellen, die Bildinhalte jedoch außen vor gelassen. Dadurch geht wertvoller Kontext verloren, der fürs Retrieval und die Generierung hilfreich sein kann! In diesem Kapitel verwendest du die multimodalen ColPali-Modelle, um Text und Bilder zu embedden und zu generieren und so mehr Kontext für die Antworten deines Modells bereitzustellen.
End-to-End RAG mit Weaviate
Kurs
abgeschlossen
