Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Dansk udgave

Embeddings, RAG og semantisk søgning

Dette kursus dækker OpenAI embeddings, vektordatabaser, semantisk søgning, en komplet RAG-pipeline og produktionsapplikationer.

22 lektioner ca. 2 t 15 min Udvikler

Hvad du lærer

  • Generere embeddings og måle semantisk nærhed mellem tekster ved hjælp af cosinuslighed
  • Indeksere et korpus i en vektordatabase og opsætte hybrid semantisk og leksikalsk søgning
  • Bygge en komplet RAG-pipeline: chunking, hentning, omrangering og derefter generering
  • Evaluere relevansen af en RAG-pipeline og vælge mellem File Search og en brugerdefineret arkitektur
  • Bruge embeddings til at klassificere, gruppere, anbefale samt opdage anomalier og dubletter

Kursusark

Målgruppe
Udviklere, ingeniører og integratorer, der ønsker at bruge ChatGPT via API i deres applikationer.
Forudsætninger
Evne til at læse Python og JSON, grundlæggende kommandolinje. En OpenAI platform API-nøgle til at prøve eksemplerne.
Varighed
2 t 15 min — 22 lektioner
Formater
100 % online selvstyret kursus, tilgængeligt 24/7 fra en browser. Fremdrift gemmes, og du kan genoptage når som helst. Estimeret varighed: 2 t 15 min.
Vurdering
Selvbedømmelse baseret på de vigtigste pointer, der afslutter hver lektion, og direkte praksis med eksemplerne på dine egne data. En afsluttende quiz med 5 spørgsmål og svar, i slutningen af den sidste lektion, validerer det, du har lært.
Tilgængelighed
Selvstyret kursus tilgængeligt for personer med handicap: tekstindhold kompatibelt med skærmlæsere, tastaturnavigation og overholdelse af farvekontrast. For eventuelle tilpasningsbehov, send en e-mail til [email protected].
Pris
Gratis

Kursets indhold

  1. 01 Hvad er en embedding: Intuitionen
  2. 02 Embeddings-API'en: Modeller og dimensioner
  3. 03 Generér embeddings til dine data
  4. 04 Afstand og cosinusligehed
  5. 05 Visualisering af embeddings
  6. 06 Semantisk søgning vs. nøgleordsøgning
  7. 07 Indeksér et dokumentkorpus
  8. 08 Vektordatabaser (Pinecone, Qdrant, Weaviate)
  9. 09 Hybrid søgning (semantisk + leksikalsk)
  10. 10 Evaluér søgekvalitet
  11. 11 Komplet RAG-arkitektur
  12. 12 Chunking: Opdel dine dokumenter intelligent
  13. 13 Reranking: Forbedring af relevans
  14. 14 Avanceret RAG: Multi-Query, HyDE, Step-Back
  15. 15 Evaluér en RAG-pipeline
  16. 16 File Search vs. brugerdefineret RAG: Hvornår skal du bruge hvad?
  17. 17 Klassificering af tekst med embeddings
  18. 18 Clustering: Gruppering automatisk
  19. 19 Personlige anbefalinger
  20. 20 Detektion af anomalier og dubletter
  21. 21 Finjustering af embeddings
  22. 22 Produktion: Skalering og Caching