Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Edizione in italiano

Embedding, RAG e ricerca semantica

Questo corso tratta gli embedding di OpenAI, i database vettoriali, la ricerca semantica, una pipeline RAG completa e le applicazioni in produzione.

22 lezioni ca. 2 h 15 min Sviluppatore

Cosa imparerai

  • Generare embedding e misurare la prossimità semantica tra testi usando la similarità del coseno
  • Indicizzare un corpus in un database vettoriale e configurare una ricerca ibrida semantica e lessicale
  • Costruire una pipeline RAG completa: chunking, retrieval, reranking e quindi generazione
  • Valutare la rilevanza di una pipeline RAG e scegliere tra File Search e un'architettura personalizzata
  • Utilizzare gli embedding per classificare, raggruppare, raccomandare e rilevare anomalie e duplicati

Scheda del corso

Destinatari
Sviluppatori, ingegneri e integratori che vogliono utilizzare ChatGPT tramite API nelle loro applicazioni.
Prerequisiti
Capacità di leggere Python e JSON, nozioni base della riga di comando. Una chiave API della piattaforma OpenAI per provare gli esempi.
Durata
2 h 15 min — 22 lezioni
Modalità
Corso online 100% autonomo, accessibile 24/7 dal browser. I progressi vengono salvati e puoi riprendere in qualsiasi momento. Durata stimata: 2 h 15 min.
Valutazione
Autovalutazione basata sui punti chiave che concludono ogni lezione e pratica diretta degli esempi sui tuoi casi d'uso. Un quiz finale di 5 domande con risposte, alla fine dell'ultima lezione, convalida quanto appreso.
Accessibilità
Corso autonomo accessibile alle persone con disabilità: contenuto testuale compatibile con screen reader, navigazione da tastiera e contrasto cromatico conforme. Per eventuali esigenze di adattamento, scrivi a [email protected].
Prezzo
Gratis

Contenuto del corso

  1. 01 Cos'è un Embedding: L'intuizione
  2. 02 L'API Embeddings: Modelli e Dimensioni
  3. 03 Genera embedding per i tuoi dati
  4. 04 Distanza e similarità del coseno
  5. 05 Visualizzare gli embedding
  6. 06 Ricerca semantica vs. ricerca per parole chiave
  7. 07 Indicizzare un corpus di documenti
  8. 08 Basi di dati vettoriali (Pinecone, Qdrant, Weaviate)
  9. 09 Ricerca ibrida (semantica + lessicale)
  10. 10 Valutare la qualità della ricerca
  11. 11 Architettura RAG Completa
  12. 12 Chunking: suddividere i documenti in modo intelligente
  13. 13 Reranking: migliorare la pertinenza
  14. 14 RAG Avanzato: Multi-Query, HyDE, Step-Back
  15. 15 Valutare una pipeline RAG
  16. 16 Ricerca File vs RAG Personalizzato: Quando Usare Ciascuno
  17. 17 Classificazione del testo con gli embedding
  18. 18 Clustering: Raggruppamento Automatico
  19. 19 Raccomandazioni personalizzate
  20. 20 Rilevamento di anomalie e duplicati
  21. 21 Fine-tuning degli embedding
  22. 22 Produzione: Scalabilità e Caching