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