Name: การพัฒนาแอปพลิเคชัน LLM ด้วย LangChain
Rating: 4.821538461538461 (4875 reviews)

รายละเอียดคอร์ส

พื้นฐานสำหรับการพัฒนาในระบบนิเวศ LangChain

เสริมชุดเครื่องมือ LLM ของคุณด้วยระบบนิเวศของ LangChain เพื่อให้ผสานรวมกับโมเดล OpenAI และ Hugging Face ได้อย่างราบรื่น ค้นพบเฟรมเวิร์กโอเพนซอร์สที่ช่วยเพิ่มประสิทธิภาพให้กับแอปพลิเคชันในโลกจริง และช่วยให้คุณสร้างระบบการดึงข้อมูลที่ซับซ้อนซึ่งเหมาะกับกรณีการใช้งานของคุณโดยเฉพาะ

วิธีการสร้างแชตบอตด้วย LangChain

ใช้เครื่องมือ LangChain เพื่อพัฒนาแชตบอต โดยเปรียบเทียบความแตกต่างเชิงละเอียดระหว่างโมเดลโอเพนซอร์สของ HuggingFace และโมเดลโค้ดปิดของ OpenAI ใช้เทมเพลตพรอมต์สำหรับบทสนทนาที่ซับซ้อน เพื่อวางรากฐานสำหรับการพัฒนาแชตบอตขั้นสูง

การจัดการข้อมูลและการสร้างแบบเสริมการดึงข้อมูล (RAG) โดยใช้ LangChain

เชี่ยวชาญการแบ่งโทเค็นและเวกเตอร์ดาต้าเบสเพื่อการดึงข้อมูลที่มีประสิทธิภาพยิ่งขึ้น พร้อมยกระดับการโต้ตอบของแชตบอตด้วยข้อมูลภายนอกที่หลากหลาย ใช้ฟังก์ชันหน่วยความจำ RAG เพื่อเพิ่มประสิทธิภาพสำหรับกรณีการใช้งานที่หลากหลาย

การผสานรวมขั้นสูงของ Chain, Tool และ Agent

ใช้พลังของ chains, tools, agents, APIs และการตัดสินใจอย่างชาญฉลาดเพื่อจัดการ use cases แบบครบวงจรตั้งแต่ต้นจนจบและการจัดการผลลัพธ์ LLM ขั้นสูง

การดีบักและเมตริกประสิทธิภาพ

สุดท้ายนี้ คุณจะเชี่ยวชาญในการดีบัก การปรับให้เหมาะสม และการประเมินประสิทธิภาพ เพื่อให้มั่นใจว่าแชตบอตของคุณได้รับการพัฒนาให้รองรับการจัดการข้อผิดพลาด เพิ่มชั้นของความโปร่งใสเพื่อการแก้ไขปัญหา

ข้อกำหนดเบื้องต้น

Introduction to Embeddings with the OpenAI API Prompt Engineering with the OpenAI API

หลักสูตร

โครงร่างคอร์ส

รู้จัก LangChain และกลไกของ Chatbot

ยินดีต้อนรับสู่ LangChain framework สำหรับสร้างแอปพลิเคชันบน LLMs! ในบทนี้จะได้เรียนรู้องค์ประกอบหลักของ LangChain ได้แก่ models, chains, agents, prompts และ parsers รวมถึงการสร้าง chatbot โดยใช้ทั้ง open-source models จาก Hugging Face และ proprietary models จาก OpenAI การสร้าง prompt templates และการใช้กลยุทธ์ chatbot memory รูปแบบต่าง ๆ เพื่อจัดการบริบทและทรัพยากรระหว่างการสนทนา

เริ่มบท

Chains และ Agents

ถึงเวลาพัฒนาทักษะ LangChain chains ให้ก้าวไกลยิ่งขึ้น! จะได้เรียนรู้การใช้ LangChain Expression Language (LCEL) เพื่อกำหนด chains อย่างยืดหยุ่น รวมถึงการสร้าง sequential chains ที่ส่งต่อ input ระหว่างองค์ประกอบต่าง ๆ เพื่อสร้างแอปพลิเคชันที่ซับซ้อนขึ้น นอกจากนี้ยังจะเริ่มต้นใช้งาน agents ที่ใช้ LLMs ในการตัดสินใจ

เริ่มบท

Retrieval Augmented Generation (RAG)

ข้อจำกัดประการหนึ่งของ LLMs คือมีขอบเขตของความรู้ เนื่องจากถูกฝึกด้วยข้อมูลจนถึงจุดเวลาหนึ่งเท่านั้น ในบทนี้จะได้เรียนรู้การสร้างแอปพลิเคชันที่ใช้ Retrieval Augmented Generation (RAG) เพื่อนำข้อมูลภายนอกมาผสานกับ LLMs กระบวนการ RAG ประกอบด้วยหลายขั้นตอน ตั้งแต่การแบ่งข้อมูล การสร้างและจัดเก็บ embeddings ด้วย vector database ไปจนถึงการดึงข้อมูลที่เกี่ยวข้องที่สุดมาใช้ในแอปพลิเคชัน คอร์สนี้จะพาไปเชี่ยวชาญทุกขั้นตอนของกระบวนการนี้!