이 강의들을 수강한 후, 전문적인 시각화와 대시보드를 자신 있게 만들 수 있게 되었습니다
Shoebur Rahman구매 담당자, Giz Bangladesh
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 과목
커리큘럼
강의 개요
1
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.
2
그래프 모델과 하이브리드 RAG
Text-to-Cypher 애플리케이션은 많은 상황에서 잘 동작하지만, 더 나은 방법이 있습니다! 어휘(lexical) 그래프와 도메인 그래프를 포함한 다양한 그래프 모델로 그래프 데이터베이스를 구성하는 방법을 배워 보세요. Neo4j 벡터 인덱스를 만들어 그래프 검색과 벡터 검색을 동시에 수행하고, 두 가지의 장점을 모두 활용해 보세요!
3
검색 품질 향상
Graph RAG 애플리케이션은 일반적으로 벡터 기반 RAG보다 더 신뢰할 수 있지만, 완벽하지는 않습니다. 이 장에서는 Graph RAG 애플리케이션을 평가하고, 잘못되었거나 중복된 그래프 노드를 찾아내며, 장기 메모리를 통합해 사용자 선호도를 시간이 지나며 학습하도록 만드는 방법을 배우게 됩니다.
LangChain과 Neo4j로 배우는 Graph RAG
강의
완료
