تسلط به RAG - دوره‌ کامل بازیابی نسل افزوده

آنچه یاد خواهید گرفت:

• درک اصول بازیابی نسل افزوده (RAG)
• بررسی تکنیک‌های پیشرفته برای بهینه‌سازی و تیونینگ دقیق پایپ‌لاین RAG
• تست با سطوح تقسیم متن (از ساده تا پیچیده) با مثال‌هایی برای بهبود فرآیند بازیابی
• یادگیری نحوه‌ مدیریت انواع مختلف مستندات برای آماده‌سازی داده‌ برای LLM (unstructured(dot)io)
• تست با تقسیم‌کننده‌های متن، استراتژی‌های قطعه‌بندی و تکنیک‌های بهینه‌سازی
• توسعه پروژه جامع - یک اپلیکیشن چند ایجنتی LLM محور با استفاده از LangGraph
• بهبود سیستم‌های RAG با تکنیک‌های بهینه‌سازی پیش از بازیابی و پس از بازیابی و یادگیری بهینه‌سازی بازیابی با تبدیل و تجزیه کوئری

پیش‌نیازهای دوره

• مبانی مهارت‌های توسعه وب و برنامه‌نویسی (1-2 xp)
• زبان برنامه‌نویسی پایتون n (1-2 xp)
• عملیات‌های اولیه خط فرمان
• آخرین نسخه پایتون (3.7+)
• ویرایشگر کد (توصیه‌شده: ویژوال استودیو کد)
• یک تجربه‌ اولیه در ساخت اپلیکیشن‌های LLM محور

توضیحات دوره

به «تسلط به RAG - دوره‌ کامل بازیابی نسل افزوده» خوش آمدید!

این دوره به بررسی عمیق دنیای سیستم‌های بازیابی نسل افزوده (RAG) می‌پردازد. اگر هدف شما ساخت اپلیکیشن‌های قدرتمند هوش مصنوعی محور و استفاده از مدل‌های زبانی است، این دوره برای شما مناسب است. این دوره برای کسی که می‌خواهد مهارت‌های لازم برای توسعه اپلیکیشن‌های هوشمند مبتنی بر بازیابی را بشناسد، عالی است.

این دوره عملی شما را با مفاهیم اصلی معماری RAG آشنا می‌کند، فریمورک‌های مختلف را بررسی می‌کند و درک و تجربه عملی از ساخت سیستم‌های پیشرفته RAG را به شما ارائه می‌دهد.

هم‌اکنون در دوره شرکت کرده و اولین قدم را به‌سوی تسلط به سیستم‌های RAG بردارید.

آنچه یاد خواهید گرفت:

• توسعه اپلیکیشن‌های مبتنی بر LLM - درک مفاهیم و قابلیت‌های اصلی مدل‌های زبانی بزرگ (LLMs) و بررسی فریمورک‌های عالی که به تسهیل تسک‌های مبتنی بر بازیابی و تولید کمک می‌کند.
• بهینه‌سازی و مقیاس‌بندی پایپ‌لاین های RAG - یادگیری بهترین شیوه‌ها برای بهینه‌سازی و مقیاس‌ بندی پایپ‌لاین‌های RAG با استفاده از LangChain، شامل ایندکس‌گذاری، قطعه‌بندی و تکنیک‌های بهینه‌سازی بازیابی
• تکنیک‌های پیشرفته RAG - بهبود سیستم‌های RAG با تکنیک‌های بهینه‌سازی پیش از بازیابی و پس از بازیابی و یادگیری بهینه‌سازی بازیابی با تبدیل و تجزیه کوئری
• ترنسفرمرهای سند و استراتژی‌های قطعه‌بندی - درک استراتژی‌ها برای تقسیم هوشمند متن، مدیریت مجموعه‌ داده‌های بزرگ و بهبود ایندکس گذاری و تعبیه مستندات
• اشکال‌زدایی، تست و نظارت بر اپلیکیشن‌های LLM - استفاده از LangSmith برای اشکال‌زدایی، تست و نظارت بر اپلیکیشن‌های LLM و ارزیابی هر کامپوننت از پایپ‌لاین RAG
• ساخت اپلیکیشن‌های چند ایجنتی LLM محور - توسعه اپلیکیشن‌های پیچیده stateful با استفاده از LangGraph و همکاری چندین ایجنت در تسک‌های بازیابی و تولید داده
• کیفیت بهبود یافته RAG - یادگیری پردازش داده‌ غیرساختاریافته، استخراج عناصری مانند جداول و تصاویر از فایل‌های PDF و یکپارچه‌سازی GPT-4 Vision برای شناسایی و توصیف عناصر داخل تصاویر

مباحث دوره:

بخش 1 - شروع کار - مقدمه و راه‌اندازی

• راه‌اندازی محیط توسعه پایتون
• پیاده‌سازی پایپ‌لاین‌های RAG از پایه تا پیشرفته
• شروع سریع - ساخت اولین اپلیکیشن مجهز به LLM با استفاده از OpenAI
• راهنمای گام‌به‌گام OpenAI برای ایجاد اپلیکیشن اولیه که API ChatOpenAI را برای تولید متن و پیام‌ یکپارچه‌ می‌کند.

بخش 2 - RAG - از RAG نیتیو تا RAG پیشرفته

• مزایا و محدودیت‌های کلیدی استفاده از LLMs
• بررسی و درک پایپ‌لاین RAG و یوزکیس‌های متعدد
• پروژه عملی - پیاده‌سازی سیستم اولیه پرسش و پاسخ RAG با استفاده از LLMs ،LangChain و پایگاه داده برداری FAISS
• [پروژه] - ساخت راه‌حل‌های end-to-end RAG با استفاده از ابزارهایی مانند FAISS و ChromaDB

بخش 3 - تکنیک‌ها و استراتژی‌های پیشرفته RAG

• بهبود سیستم‌های RAG با تکنیک‌های بهینه‌سازی پیش از بازیابی و پس از بازیابی
• تکنیک‌های بهینه‌سازی ایندکس گذاری و قطعه‌بندی
• بهینه‌سازی بازیابی با تبدیل و تجزیه کوئری

بخش 4 - RAG بهینه‌ شده - ترنسفرمرهای سند و استراتژی‌های قطعه‌بندی

• استراتژی‌ها برای تقسیم هوشمند متن برای مدیریت مجموعه‌ داده‌های بزرگ و مقیاس‌بندی اپلیکیشن‌ها
• بهبود ایندکس‌گذاری و تعبیه مستندات
• تست با تقسیم‌کننده‌های متن رایج
  • تقسیم به قطعه‌ها بر اساس کاراکترهایی با پارامتر اندازه ثابت
  • تقسیم به صورت بازگشتی بر اساس کاراکتر
  • قطعه‌بندی سمانتیک با LangChain برای تقسیم متن به جملات بر اساس شباهت متنی

بخش 5 - LangSmith - اشکال‌زدایی، تست و نظارت بر اپلیکیشن‌های LLM

• ارزیابی هر کامپوننت از پایپ‌لاین RAG
• توسعه پروژه جامع - یک پلیکیشن‌ چند ایجنتی LLM محور با استفاده از LangGraph

بخش 6 - کیفیت RAG بهبود یافته - RAG متعارف در مقابل ساختاریافته

• یادگیری پردازش داده‌ غیرساختاریافته برای تسهیل یکپارچه‌سازی و آماده‌سازی برای LLMs
• تمرین در یک پروژه با هدف استخراج عناصری مانند جداول و تصاویر از فایل‌های PDF و یکپارچه‌سازی GPT-4 Vision برای شناسایی و توصیف عناصر داخل تصاویر

مباحث جایزه - سؤالات ارزیابی، منابع قابل دانلود، زمین‌های بازی تعاملی (Google Colab)

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان پایتون - افرادی که می‌خواهند اپلیکیشن‌های هوش مصنوعی محور را با استفاده از مدل‌های زبانی و کتابخانه‌های سطح بالا بسازند.
• مهندسان ML - متخصانی که به دنبال بهبود مهارت‌های خود در تکنیک‌های RAG هستند.
• دانشجویان و یادگیرندگان - افرادی که مشتاق‌ بررسی دنیای سیستم‌های RAG و کسب تجربه عملی با مثال‌های کاربردی هستند.
• کارآفرینان فناوری و علاقه‌مندان به هوش مصنوعی - کسی که به دنبال ایجاد اپلیکیشن‌های هوشمند مبتنی بر بازیابی و کشف فرصت‌های جدید کسب‌وکار در هوش مصنوعی است.

چه شما یک مبتدی باشید و چه یک حرفه‌ای پیشرفته، این دوره توانایی‌های شما را در ساخت پایپ‌لاین‌های هوشمند و کارآمد RAG با مطالعات موردی و مثال‌های واقعی ارتقا خواهد داد.

این دوره راهنمای جامعی را از طریق مفاهیم اصلی معماری RAG ارائه می‌دهد و مسیری آموزشی ساختاریافته از تکنیک‌های پایه تا پیشرفته را فراهم می‌کند تا پایه‌ای قوی به دست آورده و تجربه‌ عملی در ساخت اپلیکیشن‌های مجهز به LLM کسب کنید.

سفر یادگیری خود را همین امروز آغاز کرده و روش توسعه اپلیکیشن‌های مبتنی بر بازیابی را متحول کنید.

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان پایتون و مهندسان ML که می‌خواهند با استفاده از LLMs، اپلیکیشن‌های هوش مصنوعی محور بسازند.
• دانشجویان و یادگیرندگان که مایل هستند به پیاده‌سازی‌های RAG پرداخته و تجربه عملی با مثال‌های کاربردی به‌دست آورند.
• کارآفرینان فناوری و علاقه‌مندان به هوش مصنوعی که به دنبال فرصت‌های جدید یادگیری و کسب‌وکار در هوش مصنوعی هستند.