After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
พื้นฐานสำหรับการพัฒนาในระบบนิเวศ LangChain
เสริมชุดเครื่องมือ LLM ของคุณด้วยระบบนิเวศของ LangChain เพื่อให้ผสานรวมกับโมเดล OpenAI และ Hugging Face ได้อย่างราบรื่น ค้นพบเฟรมเวิร์กโอเพนซอร์สที่ช่วยเพิ่มประสิทธิภาพให้กับแอปพลิเคชันในโลกจริง และช่วยให้คุณสร้างระบบการดึงข้อมูลที่ซับซ้อนซึ่งเหมาะกับกรณีการใช้งานของคุณโดยเฉพาะวิธีการสร้างแชตบอตด้วย LangChain
ใช้เครื่องมือ LangChain เพื่อพัฒนาแชตบอต โดยเปรียบเทียบความแตกต่างเชิงละเอียดระหว่างโมเดลโอเพนซอร์สของ HuggingFace และโมเดลโค้ดปิดของ OpenAI ใช้เทมเพลตพรอมต์สำหรับบทสนทนาที่ซับซ้อน เพื่อวางรากฐานสำหรับการพัฒนาแชตบอตขั้นสูงการจัดการข้อมูลและการสร้างแบบเสริมการดึงข้อมูล (RAG) โดยใช้ LangChain
เชี่ยวชาญการแบ่งโทเค็นและเวกเตอร์ดาต้าเบสเพื่อการดึงข้อมูลที่มีประสิทธิภาพยิ่งขึ้น พร้อมยกระดับการโต้ตอบของแชตบอตด้วยข้อมูลภายนอกที่หลากหลาย ใช้ฟังก์ชันหน่วยความจำ RAG เพื่อเพิ่มประสิทธิภาพสำหรับกรณีการใช้งานที่หลากหลายการผสานรวมขั้นสูงของ Chain, Tool และ Agent
ใช้พลังของ chains, tools, agents, APIs และการตัดสินใจอย่างชาญฉลาดเพื่อจัดการ use cases แบบครบวงจรตั้งแต่ต้นจนจบและการจัดการผลลัพธ์ LLM ขั้นสูงการดีบักและเมตริกประสิทธิภาพ
สุดท้ายนี้ คุณจะเชี่ยวชาญในการดีบัก การปรับให้เหมาะสม และการประเมินประสิทธิภาพ เพื่อให้มั่นใจว่าแชตบอตของคุณได้รับการพัฒนาให้รองรับการจัดการข้อผิดพลาด เพิ่มชั้นของความโปร่งใสเพื่อการแก้ไขปัญหาข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
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
- ระบบนิเวศของ LangChain50 XP
- โมเดล OpenAI ใน LangChain!100 XP
- โมเดล Hugging Face ใน LangChain!100 XP
- Prompt Templates50 XP
- Prompt Template และการเชื่อมโซ่100 XP
- Chat prompt templates100 XP
- Few-shot prompting50 XP
- สร้างชุดตัวอย่างสำหรับ Few-Shot100 XP
- สร้าง few-shot prompt template100 XP
- การใช้งาน Few-Shot Prompting100 XP
2
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
3
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!
การพัฒนาแอปพลิเคชัน LLM ด้วย LangChain
เรียนจบแล้ว
