강의 설명

그래프로 RAG 애플리케이션을 한 단계 업그레이드하세요

벡터, 임베딩, 벡터 RAG 애플리케이션에 이제 지치셨나요? 더 이상 찾지 마세요! 이 강의에서는 Graph RAG가 노드와 관계의 형태로 정보를 저장하고 조회함으로써 RAG 애플리케이션의 정확성과 신뢰성을 크게 향상시킬 수 있는 방법을 알아봅니다. Neo4j 그래프 데이터베이스와 LangChain을 결합하면 LLM과 외부 데이터를 검색하고 통합하는 정말 뛰어난 방법을 얻을 수 있습니다.

비정형 텍스트로 Neo4j 그래프 데이터베이스 만들기

내 데이터세트가 그래프가 아니라 지저분한 비정형 텍스트라면 어떨까요? 당황하지 마세요—구조화된 출력을 활용해 LLM을 사용하여 텍스트에서 엔터티와 관계를 추출하고, 그래프 데이터베이스를 위한 새로운 노드와 관계를 생성하는 방법을 배우게 됩니다. 추출된 텍스트 데이터를 LLM이 채울 수 있도록 엄격한 데이터 구조를 정의하는 데 Pydantic 라이브러리를 활용하게 됩니다.

벡터와 그래프를 결합한 하이브리드 RAG

벡터와 그래프 중 하나만 선택할 필요는 없습니다—두 세계의 장점을 모두 누릴 수 있습니다! 하나의 워크플로에서 두 데이터 소스 모두에서 데이터를 가져오는 방법을 알아보고, 이를 하이브리드 RAG 애플리케이션에 통합하기 위해 프롬프트를 신중하게 구성하는 방법을 살펴보세요.

장기 챗봇 메모리 통합

Neo4j와 같은 데이터베이스는 검색을 위한 지식 베이스로만 유용한 것이 아니라, 사용자 정보와 선호도 같은 장기 정보도 그래프로 저장할 수 있습니다! 이 장기 기억은 다른 데이터베이스와 마찬가지로 조회할 수 있어, 이러한 선호를 통합하고 애플리케이션을 개인화할 수 있습니다.

선수 조건

Retrieval Augmented Generation (RAG) with LangChain

Graph RAG와 Neo4j 시작하기

Graph RAG가 RAG 애플리케이션의 정확도와 신뢰성을 어떻게 높이는지 알아보세요! 정보를 Neo4j 데이터베이스의 노드와 엣지로 저장하고, LLM이 이를 질의할 수 있게 하여 엔터티와 관계 정보를 검색하고 더 근거 있는 답변을 제공하도록 합니다.

강의 설명

그래프로 RAG 애플리케이션을 한 단계 업그레이드하세요

비정형 텍스트로 Neo4j 그래프 데이터베이스 만들기

벡터와 그래프를 결합한 하이브리드 RAG

장기 챗봇 메모리 통합

수료증 획득

.css-nklxlk{color:var(--wf-brand--main, #03EF62);}19백만 명 이상의 학습자와 함께 LangChain과 Neo4j로 배우는 Graph RAG을(를) 시작하세요!

무료 계정 만들기

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

19백만 명 이상의 학습자와 함께 LangChain과 Neo4j로 배우는 Graph RAG을(를) 시작하세요!