Объявляем о новом курсе на Coursera: Генерация с дополнением извлечения (RAG) Вы научитесь создавать высокопроизводительные, готовые к производству системы RAG на этом практическом, углубленном курсе, созданном и преподаваемом @ZainHasan6, опытным инженером в области ИИ и машинного обучения, исследователем и педагогом. RAG является критически важным компонентом сегодня для многих приложений на основе LLM в поддержке клиентов, внутренних систем вопросов и ответов компании, а также для многих ведущих чат-ботов, которые используют веб-поиск для ответов на ваши вопросы. Этот курс научит вас углубленно работать с RAG. LLM могут давать общие или устаревшие ответы, особенно когда задаются специализированные вопросы, не охваченные их обучающими данными. RAG — это наиболее широко используемая техника для решения этой проблемы. Она привносит данные из новых источников, таких как внутренние документы или свежие новости, чтобы предоставить LLM соответствующий контекст для частной, недавней или специализированной информации. Это позволяет генерировать более обоснованные и точные ответы. На этом курсе вы научитесь проектировать и реализовывать каждую часть системы RAG, от извлекателей до векторных баз данных, генерации и оценок. Вы узнаете о фундаментальных принципах, лежащих в основе RAG, и о том, как оптимизировать его как на уровне компонентов, так и на уровне всей системы. По мере развития ИИ, RAG также эволюционирует. Новые модели могут обрабатывать более длинные контекстные окна, более эффективно рассуждать и могут быть частью сложных агентных рабочих процессов. Одной из захватывающих областей роста является Агентный RAG, в котором ИИ-агент во время выполнения (в отличие от жесткого кодирования на этапе разработки) автономно решает, какие данные извлекать и когда/как углубляться. Даже с этой эволюцией доступ к качественным данным во время выполнения является необходимым, именно поэтому RAG является ключевой частью так многих приложений. Вы будете учиться через практический опыт: - Создавать систему RAG с извлечением и дополнением подсказок - Сравнивать методы извлечения, такие как BM25, семантический поиск и Обратное ранжирование - Разбивать, индексировать и извлекать документы с использованием векторной базы данных Weaviate и набора данных новостей - Разрабатывать чат-бота, используя открытые LLM, размещенные Together AI, для вымышленного магазина, который отвечает на вопросы о продуктах и часто задаваемые вопросы - Использовать оценки для повышения надежности и включать многомодальные данные RAG — это важная основополагающая техника. Станьте хорошими в этом с помощью этого курса! Пожалуйста, зарегистрируйтесь здесь: