Wersja polska
Embeddingi, RAG i wyszukiwanie semantyczne
Kurs obejmuje embeddingi OpenAI, bazy danych wektorowych, wyszukiwanie semantyczne, kompletny potok RAG oraz aplikacje produkcyjne.
22 lekcje ok. 2 h 15 min Programista
Czego się nauczysz
- Generowanie embeddingów i pomiar bliskości semantycznej między tekstami przy użyciu podobieństwa kosinusowego
- Indeksowanie korpusu w bazie danych wektorowych i konfiguracja hybrydowego wyszukiwania semantycznego i leksykalnego
- Budowa kompletnego potoku RAG: segmentacja, pobieranie, ponowne rankingowanie, a następnie generowanie
- Ocena trafności potoku RAG i wybór między File Search a architekturą niestandardową
- Wykorzystanie embeddingów do klasyfikacji, grupowania, rekomendacji oraz wykrywania anomalii i duplikatów
Karta kursu
- Dla kogo
- Deweloperzy, inżynierowie i integratorzy, którzy chcą wykorzystywać ChatGPT poprzez API w swoich aplikacjach.
- Wymagania wstępne
- Umiejętność czytania kodu w Pythonie i JSON, podstawy wiersza poleceń. Klucz API platformy OpenAI do wypróbowania przykładów.
- Czas trwania
- 2 h 15 min — 22 lekcje
- Forma
- Kurs online w 100% we własnym tempie, dostępny 24/7 z poziomu przeglądarki. Postępy są zapisywane, a naukę można wznowić w dowolnym momencie. Szacowany czas trwania: 2 h 15 min.
- Weryfikacja wiedzy
- Samoocena oparta na kluczowych wnioskach kończących każdą lekcję oraz bezpośrednie ćwiczenie przykładów na własnych danych. Końcowy test z 5 pytaniami z odpowiedziami, na końcu ostatniej lekcji, potwierdza nabytą wiedzę.
- Dostępność
- Kurs we własnym tempie dostępny dla osób z niepełnosprawnościami: treść tekstowa kompatybilna z czytnikami ekranu, nawigacja klawiaturowa i zgodny kontrast kolorów. W przypadku potrzeb adaptacji prosimy o kontakt pod adresem [email protected].
- Cena
- Bezpłatnie
Program kursu
- 01 Czym jest osadzenie: intuicja
- 02 API Embeddings: Modele i Wymiary
- 03 Generuj osadzenia dla swoich danych
- 04 Odległość i podobieństwo kosinusowe
- 05 Wizualizacja osadzeń
- 06 Wyszukiwanie semantyczne kontra wyszukiwanie słów kluczowych
- 07 Indeksowanie korpusu dokumentów
- 08 Bazy danych wektorowych (Pinecone, Qdrant, Weaviate)
- 09 Wyszukiwanie hybrydowe (semantyczne + leksykalne)
- 10 Oceniaj jakość wyszukiwania
- 11 Kompletna architektura RAG
- 12 Chunking: Inteligentny podział dokumentów
- 13 Reranking: Poprawa trafności wyników
- 14 Zaawansowany RAG: Multi-Query, HyDE, Step-Back
- 15 Ocena potoku RAG
- 16 Wyszukiwanie plików kontra niestandardowy RAG: kiedy użyć którego
- 17 Klasyfikacja tekstu przy użyciu embeddingów
- 18 Klasteryzacja: Automatyczne grupowanie
- 19 Rekomendacje spersonalizowane
- 20 Wykrywanie anomalii i duplikatów
- 21 Dostrajanie embeddingów
- 22 Produkcja: Skalowanie i buforowanie