Thông báo về một khóa học mới trên Coursera: Tạo ra Dữ liệu Tăng cường (RAG) Bạn sẽ học cách xây dựng các hệ thống RAG hiệu suất cao, sẵn sàng cho sản xuất trong khóa học thực hành, sâu sắc này được tạo ra và giảng dạy bởi @ZainHasan6, kỹ sư AI và ML có kinh nghiệm, nhà nghiên cứu và giáo viên. RAG là một thành phần quan trọng ngày nay của nhiều ứng dụng dựa trên LLM trong hỗ trợ khách hàng, hệ thống hỏi đáp nội bộ của công ty, thậm chí nhiều chatbot hàng đầu sử dụng tìm kiếm web để trả lời câu hỏi của bạn. Khóa học này dạy bạn cách làm cho RAG hoạt động hiệu quả. LLM có thể tạo ra các phản hồi chung chung hoặc lỗi thời, đặc biệt khi được hỏi những câu hỏi chuyên biệt không được đề cập trong dữ liệu đào tạo của nó. RAG là kỹ thuật được sử dụng rộng rãi nhất để giải quyết vấn đề này. Nó mang dữ liệu từ các nguồn dữ liệu mới, chẳng hạn như tài liệu nội bộ hoặc tin tức gần đây, để cung cấp cho LLM bối cảnh liên quan đến thông tin riêng tư, gần đây hoặc chuyên biệt. Điều này cho phép nó tạo ra các phản hồi chính xác và có cơ sở hơn. Trong khóa học này, bạn sẽ học cách thiết kế và triển khai mọi phần của một hệ thống RAG, từ các bộ thu thập đến cơ sở dữ liệu vector đến việc tạo ra và đánh giá. Bạn sẽ tìm hiểu về các nguyên tắc cơ bản đằng sau RAG và cách tối ưu hóa nó ở cả cấp độ thành phần và toàn bộ hệ thống. Khi AI phát triển, RAG cũng đang phát triển. Các mô hình mới có thể xử lý các cửa sổ ngữ cảnh dài hơn, lý luận hiệu quả hơn và có thể là một phần của các quy trình phức tạp. Một lĩnh vực phát triển thú vị là RAG Tác nhân, trong đó một tác nhân AI tại thời điểm chạy (thay vì được mã hóa cứng tại thời điểm phát triển) tự động quyết định dữ liệu nào cần thu thập, và khi nào/cách để đi sâu hơn. Ngay cả với sự phát triển này, việc truy cập vào dữ liệu chất lượng cao tại thời điểm chạy là rất quan trọng, đó là lý do tại sao RAG là một phần chính của rất nhiều ứng dụng. Bạn sẽ học thông qua các trải nghiệm thực hành để: - Xây dựng một hệ thống RAG với việc thu thập và tăng cường lời nhắc - So sánh các phương pháp thu thập như BM25, tìm kiếm ngữ nghĩa và Hợp nhất Xếp hạng Đối xứng - Chia nhỏ, lập chỉ mục và thu thập tài liệu sử dụng cơ sở dữ liệu vector Weaviate và tập dữ liệu tin tức - Phát triển một chatbot, sử dụng các LLM mã nguồn mở được lưu trữ bởi Together AI, cho một cửa hàng hư cấu trả lời các câu hỏi về sản phẩm và FAQ - Sử dụng các đánh giá để cải thiện độ tin cậy, và kết hợp dữ liệu đa phương thức RAG là một kỹ thuật nền tảng quan trọng. Hãy trở nên giỏi về nó thông qua khóa học này! Vui lòng đăng ký tại đây: