Last chance: 50% off unlimited learning
Sale ends in
Deskripsi Kursus
Tingkatkan Aplikasi RAG Anda dengan Graf
Apakah Anda mulai bosan dengan vektor, embedding, dan aplikasi RAG berbasis vektor? Tidak perlu mencari lagi! Dalam kursus ini, Anda akan mempelajari bagaimana Graph RAG dapat secara signifikan meningkatkan akurasi dan keandalan aplikasi RAG dengan menyimpan dan menelusuri informasi dalam bentuk node dan relasi. Gabungkan basis data graf Neo4j dengan LangChain, dan Anda akan mendapatkan cara yang sangat efektif untuk mengambil serta mengintegrasikan data eksternal dengan LLM.Buat Database Graf Neo4j dari Teks Tidak Terstruktur
Bagaimana jika data saya berupa teks tidak terstruktur yang berantakan, bukan sebuah graf? Jangan khawatir—Anda akan mempelajari cara menggunakan LLM dengan output terstruktur untuk mengekstrak entitas dan hubungan dari teks, serta membuat node dan hubungan baru untuk basis data graf Anda. Anda akan menggunakan pustaka Pydantic untuk mendefinisikan struktur data yang ketat agar LLM Anda dapat mengisinya dengan data teks yang diekstrak.Gabungkan Vektor dan Graf untuk Hybrid RAG
Anda tidak perlu memilih antara vektor atau graf—Anda bisa mendapatkan keunggulan dari keduanya! Pelajari bagaimana Anda dapat mengambil data dari kedua sumber dalam satu alur kerja dan dengan cermat membangun prompt untuk mengintegrasikannya ke dalam aplikasi RAG hybrid.Integrasikan Memori Chatbot Jangka Panjang
Database graf seperti Neo4j tidak hanya berguna sebagai basis pengetahuan untuk pengambilan data, tetapi Anda juga dapat menyimpan informasi jangka panjang seperti fakta dan preferensi pengguna dalam bentuk graf! Memori jangka panjang ini kemudian dapat di-query seperti basis data graf lainnya untuk mengintegrasikan preferensi tersebut dan mempersonalisasi aplikasi Anda.Prasyarat
Kurikulum
Ringkasan kursus
1
Mulai dengan Graph RAG dan Neo4j
Pelajari bagaimana Graph RAG dapat meningkatkan akurasi dan keandalan aplikasi RAG! Simpan informasi sebagai node dan edge dalam basis data Neo4j, dan berikan kemampuan kueri pada LLM Anda agar dapat mengambil informasi entitas dan relasional untuk memberikan jawaban yang lebih tepat.
- Graf dan RAG50 XP
- Membuat node100 XP
- Membuat relasi100 XP
- Menyimpan dokumen graf100 XP
- Menguji kueri pada knowledge graph50 XP
- Menulis pernyataan Cypher100 XP
- Menjalankan pernyataan Cypher100 XP
- Klausa MERGE100 XP
- Graph RAG Teks-ke-Cypher dengan Neo4j50 XP
- Membangun chain text-to-Cypher100 XP
- Rantai pengambilan Text-to-Cypher100 XP
2
Model Graf dan Hybrid RAG
Aplikasi Text-to-Cypher bekerja baik dalam banyak situasi, tetapi kita bisa melangkah lebih jauh! Pelajari cara membangun basis data graf menggunakan berbagai model graf termasuk graf leksikal dan graf domain. Buat indeks vektor Neo4j sehingga Anda mendapatkan yang terbaik dari keduanya dan dapat menjalankan pengambilan graf dan vektor secara bersamaan!
3
Meningkatkan Kualitas Pengambilan
Meskipun aplikasi Graph RAG umumnya lebih andal dibandingkan vector RAG, bukan berarti sepenuhnya sempurna. Di bab ini, Anda akan belajar mengevaluasi aplikasi Graph RAG Anda, menemukan node graf yang salah atau duplikat, dan mengintegrasikan memori jangka panjang agar preferensi pengguna dapat dipelajari seiring waktu.
Graph RAG dengan LangChain dan Neo4j
Kursus
Selesai
