آموزش RAG - ارتقای پتانسیل LLMs چت‌جی‌پی‌تی به سطح بعدی

آنچه یاد خواهید گرفت:

• مقدمه‌ای بر Generative AI و مدل‌های زبانی بزرگ (LLM)
• تکنیک‌ها برای بهبود LLMs
• اصول بازیابی نسل افزوده (RAG)
• کاربردهای RAGs
• ابزارها برای توسعه RAG
• جی‌پی‌تی‌های سفارشی
• Langchain
• کامپوننت‌های RAG
• Flowise، فریمورک ایده‌آل برای توسعه RAGs
• پایپ‌لاین ایندکس‌گذاری و پایپ‌لاین RAG
• فرگمنتیشن سند
• تعبیه‌ها و پایگاه داده‌های برداری
• جستجوی اطلاعات و بازیابی
• LLMs متن‌باز برای RAGs - بهترین متحد برای حفاظت از داده‌ و حریم خصوصی
• ارزیابی عملکرد RAG

پیش‌نیازهای دوره

• بدون الزامات

توضیحات دوره

این دوره به‌ طور خاص برای حرفه‌ای‌هایی طراحی شده که می‌خواهند پتانسیل کامل مدل‌های زبانی مانند چت‌جی‌پی‌تی را از طریق سیستم‌های بازیابی نسل افزوده (RAGS) کشف کنند. ما به بررسی اینکه چگونه RAGS این مدل‌های زبانی را به ابزارهای متخصص با عملکرد بالا در چندین رشته تبدیل می‌کند، خواهیم پرداخت. این کار با ارائه دسترسی مستقیم و بلادرنگ به اطلاعات مرتبط و بروز انجام می‌شود.

اهمیت RAGS در مدل‌های زبانی

RAGS برای تکامل مدل‌های زبانی بزرگ (LLMs) مانند چت‌جی‌پی‌تی اساسی هستند. از طریق یکپارچه‌سازی دانش خارجی به‌ صورت بلادرنگ، این سیستم‌ها به LLMs امکان می‌دهند که نه‌ تنها به حجم زیادی از اطلاعات بروزرسانی دسترسی پیدا کنند بلکه همچنین به‌ صورت پیوسته یاد بگیرند و به اطلاعات جدید سازگار شوند. این قابلیت بازیابی و یادگیری به‌ طور قابل توجهی تولید متن را بهبود می‌بخشد و به مدل‌ها اجازه می‌دهد که با دقت و مرتبط‌‌ترین پاسخ‌ها واکنش نشان دهند. غنی‌سازی دانش برای اپلیکیشن‌هایی که به دقت بالا و زمینه‌سازی نیاز دارند، حیاتی است و امکانات جدیدی در زمینه‌هایی مانند مراقبت‌های بهداشتی، تحلیل مالی و غیره ایجاد می‌کند.

محتوای دوره

اصول Generative AI و RAG

• مقدمه‌ای بر تولید محتوای کمکی و مدل‌های زبانی
• کلاس‌هایی درباره اصول Generative AI، اصطلاحات کلیدی، چالش‌ها و تکامل LLMs
• تأثیر generative AI در بخش‌های مختلف

مطالعه عمیق مدل‌های زبانی بزرگ (LLM)

• مقدمه و توسعه LLMs، از جمله مدل‌های پایه و مدل‌های تیونینگ شده
• بررسی چشم‌انداز فعلی LLMs، محدودیت‌های آنها و نحوه کاهش مشکلات رایج مانند توهمات

دسترسی و استفاده از LLMs

• استفاده عملی از چت‌جی‌پی‌تی، از جمله لابراتوارهای عملی و دسترسی به OpenAI API

بهینه‌سازی LLM

• تکنیک‌های پیشرفته برای بهبود عملکرد مدل، از جمله RAG با گراف‌های دانش و توسعه مدل سفارشی

کاربردها و یوزکیس‌های RAGs

• بحث درباره مزایا و محدودیت‌های RAGs، با مثال‌هایی از پیاده‌سازی‌های واقعی و تأثیر آنها در صنایع مختلف

ابزارهای توسعه RAG

• آموزش استفاده از ابزارهای خاص برای توسعه RAG، از جمله پلتفرم‌های بدون کد مانند Flowise و LangChain و LlamaIndex

کامپوننت های فنی و پیشرفته RAG

• جزئیات درباره معماری RAG، پایپ‌لاین‌های ایندکس‌گذاری، فرگمنتیشن سند و استفاده از تعبیه‌ها و پایگاه داده‌های برداری

لابراتوارها و پروژه‌های عملی

مجموعه‌ای از لابراتوارها و پروژه‌های عملی که شرکت‌کنندگان را در توسعه یک RAG از شروع تا پایان، با استفاده از ابزارهایی مانند Flowise و LangChain هدایت می‌کنند.

متدولوژی

این دوره بین جلسات تئوری که درک عمیقی از RAGS را فراهم می‌کنند و جلسات عملی که به شرکت‌کنندگان اجازه می‌دهد با این فناوری در سناریوهای کنترل‌ شده و واقعی تست کنند، نوسان دارد.

این برنامه برای کسانی که آماده‌اند عملکرد چت‌جی‌پی‌تی و دیگر مدل‌های زبانی را به سطوحی فراتر ببرد، ایده‌آل است و RAGS را به ابزاری ضروری در زمینه هوش مصنوعی تبدیل می‌کند.

الزامات

نیازی به تجربه برنامه‌نویسی قبلی نیست. این دوره شامل استفاده از ابزارهای بدون کد برای تسهیل یادگیری و پیاده‌سازی RAGS خواهد بود.

این دوره برای چه کسانی مناسب است؟

• حرفه‌ای‌های فناوری و هوش مصنوعی - مناسب برای کسانی که در زمینه‌های هوش مصنوعی، یادگیری ماشین، توسعه نرم‌افزار و فناوری اطلاعات کار می‌کنند و به دنبال یکپارچه‌سازی و بهینه‌سازی قابلیت‌های پیشرفته در سیستم‌های خود هستند.
• توسعه‌دهندگان نرم‌افزار - به‌ ویژه کسانی که به بهبود عملکرد و دقت اپلیکیشن‌های مبتنی بر پردازش زبان طبیعی (NLP) و مدل‌های زبانی علاقه‌مند هستند.
• علاقه‌مندان به هوش مصنوعی و خودآموزان - افرادی که به طور کلی به هوش مصنوعی و فناوری‌های نوظهور علاقه‌مند هستند و می‌خواهند با آخرین نوآوری‌ها و کاربردهای عملی آن آشنا شوند.