دوره آموزشی هوش مصنوعی عملی: بازیابی و تولید با استفاده از LlamaIndex

جزئیات دوره

این دوره با تمرکز بر سیستم نوآورانه LlamaIndex، به اصول و کاربردهای نسل افزوده بازیابی (RAG) اشاره می کند. کاوش کنید که چگونه RAG مدل‌های یادگیری ماشین را با یکپارچه‌سازی منابع دانش خارجی برای خروجی‌های آگاهانه‌تر و دقیق‌تر بهبود می‌بخشد. مربی Harpreet Sahota معماری سیستم های بازیابی، مکانیک نمایه سازی مجموعه داده های وسیع و ادغام LlamaIndex با مدل های هوش مصنوعی را پوشش می دهد.

درک زیربنای نظری RAG، مهارت های عملی در ساخت و استقرار LlamaIndex، و بررسی تحلیل انتقادی برنامه های RAG در صنایع مختلف را به دست آورید. موضوعات از مبانی بازیابی داده ها و نمایه سازی تا تکنیک های پیشرفته در تقویت مدل های تولیدی با داده های خارجی متغیر است. در پایان دوره، شما برای طراحی، پیاده‌سازی و ارزیابی سیستم‌های RAG و قرار دادن آن‌ها در لبه برتر اجرای فناوری هوش مصنوعی آماده خواهید شد.

سرفصل ها

مقدمه

با RAG بر محدودیت‌های LLM غلبه کنید
محدودیت‌های LLM
موارد استفاده برای تولید افزوده بازیابی (RAG)

شروع به کار

استفاده از فضاهای کد GitHub
محیط خود را تنظیم کنید
انتخاب یک ارائه دهنده LLM و embeddings
راه‌اندازی حساب‌های LLM
انتخاب پایگاه داده برداری
راه‌اندازی یک حساب Qdrant
دانلود داده‌های ما

مفاهیم اساسی در LlamaIndex

نحوه سازماندهی LlamaIndex
استفاده از LLM
بارگذاری داده ها
پروفایل سازی
ذخیره و بازیابی
پرس و جو
ماموران

مقدمه ای بر RAG

اجزای یک سیستم RAG
خط لوله بلع
خط لوله پرس و جو
مهندسی سریع برای RAG
آماده سازی داده برای RAG
همه را کنار هم گذاشتن
اشکالات ساده لوح RAG

ارزیابی RAG

مقدمه ای بر ارزیابی RAG
معیارهای ارزیابی
نحوه ایجاد مجموعه ارزیابی

RAG پیشرفته - تکنیک‌های پیش بازیابی و پروفایل سازی

چگونه می‌توانیم Naive RAG را بهبود ببخشیم
بهینه‌سازی اندازه تکه
بازیابی کوچک تا بزرگ
قطعه بندی معنایی
استخراج فراداده
فهرست خلاصه اسناد
تبدیل پرس و جو

RAG پیشرفته - پس از بازیابی و تکنیک‌های دیگر

پس پردازش گره
رتبه بندی مجدد
شعله ور شدن
فشرده سازی سریع
اصلاح خود

RAG مدولار

بازیابی ترکیبی
RAG عامل
بازیابی گروه
Ensemble Query Engine

نتیجه گیری

ارزیابی LlamaIndex
تجزیه‌و‌تحلیل تطبیقی تکنیک‌های تولید افزوده بازیابی