Cours
Retrieval Augmented Generation (RAG) avec LangChain
IntermédiaireNiveau de compétence
Actualisé 12/2024
PythonArtificial Intelligence3 h12 vidéos38 Exercices3,150 XP16,433Certificat de réussite.
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.Apprécié par des utilisateurs provenant de milliers d'entreprises
Training a Team?
Try for BusinessDescription du cours
Construisez des systèmes RAG avec LangChain
La génération augmentée par la récupération (RAG) est une technique utilisée pour surmonter l'une des principales limites des grands modèles linguistiques (LLM) : leurs connaissances restreintes. Les systèmes RAG intègrent des données externes provenant de diverses sources dans les LLM. Ce processus de connexion de plusieurs systèmes différents est généralement fastidieux, mais LangChain le rend extrêmement simple.Découvrez les méthodes de pointe en matière de fractionnement et de récupération
Améliorez votre architecture RAG ! Vous apprendrez à charger et à diviser des fichiers de code, y compris des fichiers Python et Markdown, afin de garantir que les divisions tiennent compte de la syntaxe du code. Vous diviserez vos documents à l'aide de jetons plutôt que de caractères afin de garantir que les documents récupérés restent dans la fenêtre contextuelle de votre modèle. Découvrez comment le fractionnement sémantique peut aider à conserver le contexte en détectant les changements de sujet dans le texte et en effectuant des fractionnements à ces endroits. Enfin, veuillez apprendre à évaluer de manière rigoureuse votre architecture RAG à l'aide de LangSmith et Ragas.Découvrez l'architecture Graph RAG
Réorganisez votre architecture RAG et découvrez comment les systèmes RAG basés sur des graphes, plutôt que sur des vecteurs, peuvent améliorer la compréhension par votre système des entités et des relations présentes dans vos documents. Vous apprendrez à convertir des données textuelles non structurées en graphiques à l'aide de modèles linguistiques à grande échelle (LLM) pour effectuer la traduction. Ensuite, vous stockerez ces documents graphiques dans une base de données graphique Neo4j et les intégrerez dans un système RAG plus large afin de finaliser l'application.Prérequis
Developing LLM Applications with LangChain1
Building RAG Applications with LangChain
Discover how to integrate external data sources into chat models with LangChain. Learn how to load, split, embed, store, and retrieve data for use in LLM applications.
2
Improving the RAG Architecture
Discover state-of-the-art techniques for loading, splitting, and retrieving documents, including loading Python files, splitting semantically, and using MRR and self-query retrieval methods. Learn to evaluate your RAG architecture using robust metrics and frameworks.
3
Introduction to Graph RAG
Discover how graph databases and retrieval can overcome some of the limitations of traditional vector-based storage and retrieval.
Retrieval Augmented Generation (RAG) avec LangChain
Cours terminé
Obtenez un certificat de réussite
Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolioPartagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire Maintenant
Rejoignez plus de 19 millions d'utilisateurs et commencez Retrieval Augmented Generation (RAG) avec LangChain dès aujourd'hui !
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.Apprenez où que vous soyez avec l'application DataCamp
Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.