После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Выведите свои RAG-приложения на новый уровень с помощью графов
Уже устали от векторов, эмбеддингов и векторных RAG-приложений? Дальше искать не нужно! В этом курсе вы узнаете, как Graph RAG может значительно повысить точность и надежность приложений RAG за счет хранения и запроса информации в виде узлов и связей. Объедините графовые базы данных Neo4j с LangChain, и вы получите по-настоящему отличный способ извлечения и интеграции внешних данных с LLM.Создавайте графовые базы данных Neo4j из неструктурированного текста
Что, если мой набор данных — это неаккуратный неструктурированный текст, а не граф? Не паникуйте—вы научитесь использовать LLM с структурированными выходными данными для извлечения сущностей и отношений из текста, а также создавать новые узлы и отношения для вашей графовой базы данных. Вы будете использовать библиотеку Pydantic для определения строгих структур данных, которые ваша LLM будет заполнять извлечёнными текстовыми данными.Объедините векторы и графы для гибридного RAG
Вам не нужно выбирать между векторами и графами—вы можете получить лучшее из обоих миров! Узнайте, как можно извлекать данные из обоих источников в одном рабочем процессе и тщательно создавать запросы, чтобы интегрировать их в гибридное RAG-приложение.Интегрируйте долгосрочную память чат-бота
Графовые базы данных, такие как Neo4j, полезны не только как базы знаний для поиска — в них также можно хранить долгосрочную информацию, например факты о пользователях и их предпочтения, в виде графов! Эту долговременную память затем можно запрашивать так же, как любую другую графовую базу данных, чтобы интегрировать эти предпочтения и персонализировать ваши приложения.Предварительные требования
Программа
План курса
1
Знакомство с Graph RAG и Neo4j
Узнайте, как Graph RAG повышает точность и надёжность RAG-приложений! Сохраняйте информацию в виде узлов и рёбер в базе данных Neo4j и предоставьте языковой модели возможность выполнять запросы к ней — так она сможет извлекать информацию о сущностях и связях и давать обоснованные ответы.
- Графы и RAG50 XP
- Создание узлов100 XP
- Создание связей100 XP
- Сохранение графовых документов100 XP
- Запросы к графу знаний50 XP
- Написание запросов на Cypher100 XP
- Выполнение Cypher-запросов100 XP
- Оператор MERGE100 XP
- Graph RAG с Neo4j: преобразование текста в Cypher50 XP
- Создание цепочки text-to-Cypher100 XP
- Цепочка извлечения данных с Text-to-Cypher100 XP
2
Графовые модели и гибридный RAG
Приложения на основе перевода текста в Cypher хорошо справляются со многими задачами, но можно сделать лучше! Узнайте, как строить графовые базы данных с использованием различных графовых моделей, включая лексические и предметные графы. Создавайте векторные индексы Neo4j, чтобы получить лучшее из двух подходов: запускать графовое и векторное извлечение одновременно!
3
Повышение качества извлечения данных
Хотя Graph RAG-приложения, как правило, надёжнее векторных, они не лишены погрешностей. В этой главе вы научитесь оценивать свои Graph RAG-приложения, выявлять ошибочные или дублирующиеся узлы графа, а также интегрировать долгосрочную память, чтобы система могла учитывать предпочтения пользователей.
Graph RAG с LangChain и Neo4j
Курс
завершён
