After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
ยกระดับแอปพลิเคชัน RAG ของคุณด้วยกราฟ
คุณรู้สึกเบื่อกับเวกเตอร์, embedding และแอปพลิเคชัน RAG แบบเวกเตอร์แล้วหรือยัง? ไม่ต้องมองหาที่อื่นอีกต่อไป! ในหลักสูตรนี้ คุณจะได้เรียนรู้ว่า Graph RAG สามารถเพิ่มความแม่นยำและความน่าเชื่อถือของแอปพลิเคชัน RAG ได้อย่างไร ด้วยการจัดเก็บและค้นหาข้อมูลในรูปแบบของโหนดและความสัมพันธ์ ผสานฐานข้อมูลกราฟ Neo4j เข้ากับ LangChain เพื่อสร้างวิธีที่ยอดเยี่ยมในการดึงและผสานข้อมูลภายนอกกับ LLMsสร้างฐานข้อมูลกราฟ Neo4j จากข้อความที่ไม่มีโครงสร้าง
ถ้าชุดข้อมูลของฉันเป็นข้อความที่ไม่มีโครงสร้างและไม่ใช่กราฟ จะทำอย่างไร? ไม่ต้องกังวล—คุณจะได้เรียนรู้วิธีใช้ LLMs กับผลลัพธ์ที่มีโครงสร้างเพื่อดึงข้อมูลเอนทิตีและความสัมพันธ์จากข้อความ และสร้างโหนดใหม่รวมถึงความสัมพันธ์ใหม่สำหรับฐานข้อมูลกราฟของคุณ คุณจะใช้ไลบรารี Pydantic เพื่อกำหนดโครงสร้างข้อมูลที่เข้มงวดสำหรับ LLM ของคุณในการเติมข้อมูลด้วยข้อมูลข้อความที่สกัดมาผสานเวกเตอร์และกราฟเพื่อสร้าง Hybrid RAG
คุณไม่จำเป็นต้องเลือกเพียงเวกเตอร์หรือกราฟ—คุณสามารถใช้ข้อดีของทั้งสองรูปแบบได้! ค้นพบวิธีดึงข้อมูลจากทั้งสองแหล่งข้อมูลในขั้นตอนการทำงานเดียว พร้อมทั้งสร้าง prompt อย่างรอบคอบเพื่อผสานข้อมูลเหล่านั้นเข้าสู่แอปพลิเคชัน RAG แบบไฮบริดผสานความจำระยะยาวของแชทบอท
ฐานข้อมูลกราฟ เช่น Neo4j ไม่ได้มีประโยชน์แค่เป็นคลังความรู้สำหรับการค้นคืนข้อมูลเท่านั้น คุณยังสามารถจัดเก็บข้อมูลระยะยาว เช่น ข้อเท็จจริงและความชอบของผู้ใช้ในรูปแบบกราฟได้อีกด้วย! หน่วยความจำระยะยาวนี้สามารถถูกเรียกใช้งานได้เช่นเดียวกับฐานข้อมูลกราฟอื่น ๆ เพื่อผสานรวมความชอบเหล่านี้และปรับแต่งแอปพลิเคชันของคุณให้เหมาะสมกับแต่ละบุคคลข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
เริ่มต้นกับ Graph RAG และ Neo4j
เรียนรู้ว่า Graph RAG ช่วยเพิ่มความแม่นยำและความน่าเชื่อถือของแอปพลิเคชัน RAG ได้อย่างไร จัดเก็บข้อมูลเป็น node และ edge ใน Neo4j database แล้วให้ LLM สามารถค้นหาข้อมูลเชิง entity และ relationship เพื่อนำมาตอบคำถามได้อย่างถูกต้อง
- กราฟและ RAG50 XP
- การสร้างโหนด100 XP
- การสร้างความสัมพันธ์100 XP
- การบันทึก graph documents100 XP
- การสืบค้น Knowledge Graph50 XP
- การเขียน Cypher statements100 XP
- การรัน Cypher Statement100 XP
- clause MERGE100 XP
- Text-to-Cypher Graph RAG กับ Neo4j50 XP
- การสร้าง text-to-Cypher chain100 XP
- Text-to-Cypher retrieval chain100 XP
2
Graph Model และ Hybrid RAG
แอปพลิเคชัน Text-to-Cypher ทำงานได้ดีในหลายสถานการณ์ แต่เราสามารถทำได้ดีกว่านั้น! มาเรียนรู้การสร้าง graph database โดยใช้ graph model รูปแบบต่าง ๆ ทั้ง lexical graph และ domain graph รวมถึงการสร้าง Neo4j vector index เพื่อให้ได้ประโยชน์จากทั้งสองโลก นั่นคือการค้นหาด้วย graph และ vector พร้อมกัน
3
การปรับปรุงคุณภาพการดึงข้อมูล
แม้ว่าแอปพลิเคชัน Graph RAG จะมีความน่าเชื่อถือสูงกว่า vector RAG แต่ก็ไม่ได้สมบูรณ์แบบเสมอไป ในบทนี้ คุณจะได้เรียนรู้วิธีประเมินแอปพลิเคชัน Graph RAG ตรวจจับ graph node ที่ผิดพลาดหรือซ้ำกัน และเพิ่มความสามารถด้านหน่วยความจำระยะยาวเพื่อให้ระบบเรียนรู้ความชอบของผู้ใช้ได้เมื่อเวลาผ่านไป
Graph RAG ด้วย LangChain และ Neo4j
เรียนจบแล้ว
