After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Создавайте RAG-системы с LangChain
Retrieval Augmented Generation (RAG) — это техника, используемая для преодоления одного из главных ограничений больших языковых моделей (LLM): их ограниченных знаний. Системы RAG интегрируют внешние данные из различных источников в LLM. Этот процесс подключения нескольких разных систем обычно утомителен, но LangChain делает его проще простого!Изучите современные методы разбиения и поиска
Улучшите свою архитектуру RAG! Вы узнаете, как загружать и разделять файлы кода, включая файлы Python и Markdown, чтобы разбиения были «осведомлены» о синтаксисе кода. Вы будете разбивать документы с помощью токенов, а не символов, чтобы гарантировать, что извлечённые документы будут оставаться в пределах контекстного окна вашей модели. Узнайте, как семантическое разбиение помогает сохранять контекст, выявляя моменты, когда в тексте меняется тема, и разделяя текст в этих точках. Наконец, научитесь надежно оценивать свою архитектуру RAG с помощью LangSmith и Ragas.Откройте для себя архитектуру Graph RAG
Переверните свою архитектуру RAG с ног на голову и узнайте, как графовые, а не векторные RAG-системы могут улучшить понимание вашей системой сущностей и связей в ваших документах. Вы узнаете, как преобразовывать неструктурированные текстовые данные в графы с помощью LLM, чтобы выполнять преобразование! Затем вы будете хранить эти графовые документы в графовой базе данных Neo4j и интегрировать её в более широкую систему RAG, чтобы завершить приложение.Предварительные требования
Программа
Структура курса
1
Создание RAG-приложений с LangChain
Узнайте, как интегрировать внешние источники данных в чат-модели с помощью LangChain. Научитесь загружать, разбивать, векторизовать, хранить и извлекать данные для использования в LLM-приложениях.
- Загрузка документов для RAG с LangChain50 XP
- Загрузка PDF-файлов для RAG100 XP
- Загрузка HTML-файлов для RAG100 XP
- Разбиение текста, эмбеддинги и векторное хранилище50 XP
- Первые шаги с разбиением текста100 XP
- Рекурсивное разбиение документов100 XP
- Создание эмбеддингов и сохранение документов100 XP
- Построение цепочки извлечения данных с помощью LCEL50 XP
- Создание запроса для извлечения данных100 XP
- Построение цепочки извлечения100 XP
2
Улучшение архитектуры RAG
Изучите современные методы загрузки, разбиения и извлечения документов: загрузку файлов Python, семантическое разбиение, а также методы извлечения MRR и self-query. Научитесь оценивать архитектуру RAG с помощью надёжных метрик и фреймворков.
3
Введение в Graph RAG
Узнайте, как графовые базы данных и методы извлечения данных помогают преодолеть ограничения традиционного векторного хранения и поиска.
Retrieval Augmented Generation (RAG) с LangChain
Курс
завершён
