کار عملی RAG با LangChain - ساخت پروژه‌های واقعی

آنچه یاد خواهید گرفت:

• راه‌اندازی PostgreSQL با افزونه pgvector برای فعال‌سازی جستجوی برداری کارآمد
• ساخت پایپ‌لاین کامل RAG که مدل‌های زبانی بزرگ (LLM) را با PostgreSQL وصل می‌کند.
• پیاده‌سازی پایپ‌لاین RAG به صورت گام به گام - بازیابی، تزریق متن کانتکس و پاسخ‌های مبتنی بر LLM
• بررسی شاخص‌های برداری (HNSW و IVFFlat) و یادگیری اینکه چگونه سرعت و دقت بازیابی را بهبود می‌بخشند.
• استفاده از کش سمانتیک برای کاهش هزینه و تاخیر در حالی که زمان پاسخ را بهبود می‌بخشد.
• ارزیابی سیستم‌های RAG با استفاده از متریک‌های RAGAS مانند وفاداری، یادآوری کانتکس و دقت
• بهبود کیفیت بازیابی با تجدید رتبه‌بندی و فیلترینگ متادیتا
• استقرار APIs برای جذب و پرسش‌ و پاسخ RAG برای آماده‌سازی و تست پروژه‌های خود

پیش‌نیازهای دوره

• دانش اولیه پایتون (توابع، ایمپورت‌ها و محیط‌های مجازی)
• آشنایی با APIs و JSON مفید است، اما ضروری نیست.
• یک کلید OpenAI API
• آشنایی با مبانی Docker مزیت دارد، اما ما فرمان‌های لازم را پوشش می‌دهیم.
• علاقه‌مندی به ساخت اپلیکیشن‌های هوش مصنوعی واقعی با استفاده از پایگاه‌ داده‌های برداری و LLMs
• ویژوال استودیو کد، Docker و PGAdmin

توضیحات دوره

بازیابی نسل افزوده (RAG) یکی از قدرتمندترین روش‌ها برای هوشمندسازی، قابل اعتمادتر کردن و آماده‌سازی برای تولید مدل‌های زبانی بزرگ (LLM) است. به جای تکیه صرف بر آنچه مدل «می‌داند»، RAG به ما امکان می‌دهد دانش مرتبط را از منابع خارجی واکشی کنیم و پاسخ‌های دقیق و بروز ارائه دهیم.

در این دوره‌ عملی، فراتر از مبانی خواهید رفت و به‌ صورت عملی پایپ‌لاین‌های RAG را گام به گام با استفاده از LangChain، فریمورک پیشرو برای اپلیکیشن‌های LLM، می‌سازید. چه توسعه‌دهنده، دانشمند داده یا علاقه‌مند هوش مصنوعی باشید، این دوره مهارت‌های عملی لازم برای طراحی، پیاده‌سازی و بهینه‌سازی پروژه‌های RAG در دنیای واقعی را به شما می‌دهد.

آنچه خواهید آموخت:

• پروژه‌های واقعی - ساخت دو پروژه کامل RAG روی داده‌ شرکت و جستجوی سمانتیک تجارت الکترونیک
• استراتژی‌های کش کردن - استفاده از کش تعبیه شده و پاسخ برای کاهش هزینه، تاخیر و بهبود کارایی
• ایندکس‌گذاری - بررسی ایندکس‌های Flat و IVF Flat و HNSW و بر مبنای دیسک - یادگیری اینکه کدام یک را برای مجموعه داده خود استفاده کنید.
• رتبه‌بندی مجدد - بهبود دقت پاسخ با استفاده از امتیازات شباهت، cross-encoders و رتبه‌بندی مجدد مبتنی بر LLM
• ارزیابی‌ها (Evals و Ragas) - ارزیابی وفاداری، مرتبط بودن و کیفیت بازیابی با متریک‌های Ragas
• متادیتا - استفاده از فیلترهای متادیتا برای دقیق، آگاه به کانتکس بودن و آماده تولید بودن بازیابی

چرا این دوره را بگذرانید؟

• این دوره‌ عملی است - فقط تئوری یاد نخواهید گرفت؛ بلکه پایپ‌لاین‌های RAG عملی خواهید ساخت.
• یادگیری بهترین شیوه‌ها برای مقیاس‌بندی از دمو تا تولید
• محتوا برای اپلیکیشن‌های واقعی در سازمان‌ها، استارتاپ‌ها و پژوهش طراحی شده است.
• کد، مهارت‌ها و اعتمادبه‌نفس لازم برای ساخت اپلیکیشن‌های خود بر پایه RAG را خواهید داشت.

مخاطبان دوره:

• توسعه‌دهندگان و دانشمندان داده علاقه‌مند به LangChain و اپلیکیشن‌های LLM.
• مهندسان AI و ML که می‌خواهند سیستم‌های RAG آماده تولید را مستقر کنند.
• حرفه‌ای‌های کنجکاو درباره پایگاه‌ داده‌های برداری، تعبیه‌ها و سیستم‌های بازیابی
• کسی که می‌خواهد فراتر از ChatGPT برود و هوش مصنوعی بسازد که از داده‌ خود استفاده کند.

در پایان دوره، دانش و تجربه عملی برای طراحی و پیاده‌سازی پایپ‌لاین‌های RAG کارآمد با LangChain را در اختیار خواهید داشت و مهارت‌های لازم برای اعمال آنها در پروژه‌های خود یا یوزکیس‌های کسب‌وکار را کسب خواهید کرد.

این دوره برای چه کسانی مناسب است؟

• دانشجویانی که دوره LangChain ما را تمام کرده‌اند و اکنون می‌خواهند به موارد پیشرفته RAG عمیق‌تر بپردازند.
• توسعه‌دهندگان پایتون که می‌خواهند LLMs و جستجوی برداری را در اپلیکیشن‌های واقعی یکپارچه کنند.
• مهندسان داده و متخصصان ML که درباره RAG کنجکاو هستند.
• توسعه‌دهندگان بک‌اند که LangChain، پایپ‌لاین‌های RAG و پایگاه‌ داده‌های برداری را بررسی می‌کنند.
• کسی که دانش اولیه RAG را دارد و پروژه‌های عملی و نه فقط تئوری، می‌خواهد.