Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Lietuviška laida

Embedding'ai, RAG ir semantinė paieška

Šiame kurse aptariami OpenAI embedding'ai, vektorinės duomenų bazės, semantinė paieška, visa RAG apdorojimo grandinė ir programų diegimas į gamybinę aplinką.

22 paskaitų maždaug 2 val. 15 min Kūrėjas

Ko išmoksite

  • Generuoti embedding’ai ir matuoti semantinį tekstų artumą kosinusiniu panašumu
  • Indeksuoti tekstyną vektorinėje duomenų bazėje ir sukonfigūruoti hibridinę semantinę bei raktinių žodžių paiešką
  • Sukurti pilną RAG grandinę: chunk’inimą, gavimą (retrieval), reranking’ą ir generavimą
  • Vertinti RAG grandinės tikslumą ir pasirinkti tarp File Search bei nuosavos architektūros
  • Naudoti embedding’ai klasifikavimui, grupavimui, rekomendavimui bei anomalijų ir dublikatų aptikimui

Kurso kortelė

Kam skirta
Kūrėjai, inžinieriai ir integratoriai, norintys naudoti ChatGPT per API savo programose.
Būtinos žinios
Gebėjimas skaityti Python ir JSON bei pagrindiniai komandinės eilutės įgūdžiai. OpenAI platformos API raktas pavyzdžiams išbandyti.
Trukmė
2 val. 15 min — 22 paskaitų
Formatas
100 % nuotolinis savarankiško mokymosi kursas, prieinamas 24/7 per naršyklę. Eiga išsaugoma, galima tęsti bet kada. Numatoma trukmė: 2 val. 15 min.
Vertinimas
Savęs vertinimas pagal kiekvieną pamoką užbaigiančias pagrindines įžvalgas ir tiesioginis pavyzdžių diegimas savo naudojimo atvejais. Paskutinės pamokos pabaigoje pateikiamas baigiamasis 5 klausimų testas su atsakymais, leidžiantis patvirtinti įgytus įgūdžius.
Prieinamumas
Savarankiško mokymosi kursas, prieinamas žmonėms su negalia: teksto turinys suderinamas su ekrano skaitytuvais, navigacija klaviatūra ir kontrastai atitinka reikalavimus. Dėl bet kokių pritaikymo poreikių kreipkitės el. paštu [email protected].
Kaina
Nemokama

Kurso turinys

  1. 01 Kas yra įterpimas: intuicija
  2. 02 Embeddings API: modeliai ir dimensijos
  3. 03 Generuokite savo duomenų įterpinius (embeddings)
  4. 04 Atstumas ir kosinusinis panašumas
  5. 05 Vizualizuokite įterpinius
  6. 06 Semantinė paieška prieš raktinių žodžių paiešką
  7. 07 Indexer un corpus de documents
  8. 08 Vektorinės duomenų bazės (Pinecone, Qdrant, Weaviate)
  9. 09 Hybridinė paieška (semantinė + leksinė)
  10. 10 Évaluer la qualité de la recherche
  11. 11 Visa RAG architektūra
  12. 12 Chunking: protingas dokumentų skaidymas
  13. 13 Reranking: gerinamas aktualumas
  14. 14 RAG avancé : requêtes multiples, HyDE, étape en arrière
  15. 15 Įvertinti RAG sistemą
  16. 16 Failų paieška arba individualus RAG: kada naudoti kurį
  17. 17 Klasifikavimas naudojant įterpinius
  18. 18 Klasterizavimas: automatinis grupavimas
  19. 19 Asmeninės rekomendacijos
  20. 20 Anomalijų ir dublikatų aptikimas
  21. 21 Embeddingų derinimas
  22. 22 Gamyba: mastelio keitimas ir talpinimas į podėlį