Przejdź do głównej treści
Polski— Wybierz język
Menu

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

  1. 01 Czym jest osadzenie: intuicja
  2. 02 API Embeddings: Modele i Wymiary
  3. 03 Generuj osadzenia dla swoich danych
  4. 04 Odległość i podobieństwo kosinusowe
  5. 05 Wizualizacja osadzeń
  6. 06 Wyszukiwanie semantyczne kontra wyszukiwanie słów kluczowych
  7. 07 Indeksowanie korpusu dokumentów
  8. 08 Bazy danych wektorowych (Pinecone, Qdrant, Weaviate)
  9. 09 Wyszukiwanie hybrydowe (semantyczne + leksykalne)
  10. 10 Oceniaj jakość wyszukiwania
  11. 11 Kompletna architektura RAG
  12. 12 Chunking: Inteligentny podział dokumentów
  13. 13 Reranking: Poprawa trafności wyników
  14. 14 Zaawansowany RAG: Multi-Query, HyDE, Step-Back
  15. 15 Ocena potoku RAG
  16. 16 Wyszukiwanie plików kontra niestandardowy RAG: kiedy użyć którego
  17. 17 Klasyfikacja tekstu przy użyciu embeddingów
  18. 18 Klasteryzacja: Automatyczne grupowanie
  19. 19 Rekomendacje spersonalizowane
  20. 20 Wykrywanie anomalii i duplikatów
  21. 21 Dostrajanie embeddingów
  22. 22 Produkcja: Skalowanie i buforowanie