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