تولید به کمک بازیابی (RAG)

آنچه یاد خواهید گرفت:

• چگونه می‌توان سیستم‌های RAG را متناسب با نیازهای دنیای واقعی طراحی و پیاده‌سازی کرد؟
• چگونه می‌توان با سنجش موازنه میان هزینه، سرعت و کیفیت، تکنیک مناسب را برای هر بخش از یک سیستم RAG انتخاب کرد؟
• یک چارچوب اساسی برای تطبیق سیستم‌های RAG با ظهور ابزارها و متدهای جدید

توضیحات دوره

تولید به کمک بازیابی (RAG) پاسخ‌های مدل زبانی بزرگ (LLM) را با بازیابی داده‌های مرتبط از پایگاه‌های دانش که اغلب خصوصی، اخیر یا خاص دامنه هستند و استفاده از آن برای تولید پاسخ‌های دقیق‌تر و مستندتر، بهبود می‌بخشد.

در این دوره، شما یاد خواهید گرفت که چگونه سیستم‌های RAG را بسازید که LLMها را به منابع داده خارجی متصل می‌کنند. شما اجزای اصلی مانند بازیابی‌کننده‌ها، پایگاه‌های داده برداری و مدل‌های زبانی را بررسی خواهید کرد و تکنیک‌های کلیدی را هم در سطح اجزا و هم در سطح سیستم به کار خواهید برد. از طریق کار عملی با ابزارهای واقعی تولید، شما مهارت‌هایی را برای طراحی، اصلاح و ارزیابی پایپ‌لاین‌های قابل‌اطمینان RAG و سازگاری با روش‌های جدید همگام با پیشرفت این حوزه کسب خواهید کرد.

در طول 5 ماژول، شما تمرینات برنامه‌نویسی عملی را تکمیل خواهید کرد که شما را در ساخت هر بخش اصلی یک سیستم RAG، از نمونه‌های اولیه ساده تا اجزای آماده برای تولید، راهنمایی می‌کنند.

از طریق آزمایشگاه‌های عملی، شما:

- اولین سیستم RAG خود را با نوشتن توابع بازیابی و تقویت پرامپت و ارسال ورودی ساختاریافته به یک LLM می‌سازید.
- روش‌های بازیابی مانند جستجوی معنایی، BM25 و ادغام رتبه متقابل را پیاده‌سازی و مقایسه می‌کنید تا ببینید هر کدام چگونه بر پاسخ‌های LLM تأثیر می‌گذارند.
- سیستم RAG خود را با استفاده از Weaviate و یک مجموعه داده خبری واقعی مقیاس‌دهی می‌کنید - شامل قطعه‌بندی، ایندکس‌گذاری و بازیابی اسناد با یک دیتابیس برداری
- یک چت‌بات خاص دامنه برای یک فروشگاه لباس فرضی توسعه می‌دهید که به سوالات متداول پاسخ می‌دهد و پیشنهادات محصول را بر اساس یک مجموعه داده سفارشی ارائه می‌دهد.
- قابلیت اطمینان چت‌بات را با مدیریت چالش‌های دنیای واقعی مانند قیمت‌گذاری پویا و لاگ‌کردن تعاملات کاربر برای نظارت و دیباگ بهبود می‌بخشید.
- یک چت‌بات خاص دامنه با استفاده از LLMهای متن‌باز میزبانی شده توسط Together AI برای یک فروشگاه لباس فرضی توسعه می‌دهید.

شما مهارت‌های خود را با استفاده از داده‌ دنیای واقعی از دامنه‌هایی مانند رسانه، مراقبت‌های بهداشتی و تجارت الکترونیک به کار خواهید گرفت. در پایان دوره، شما تمام آموخته‌های خود را ترکیب خواهید کرد تا یک سیستم RAG کاملاً کاربردی و پیشرفته‌تر متناسب با نیازهای پروژه خود را پیاده‌سازی کنید.