Ediția în limba română
Embeddings, RAG și Căutarea Semantică
Acest curs acoperă embeddings OpenAI, baze de date vectoriale, căutarea semantică, un pipeline RAG complet și aplicații de producție.
22 lecții cca. 2 h 15 min Dezvoltator
Ce veți învăța
- Generați embeddings și măsurați proximitatea semantică dintre texte folosind similaritatea cosinus
- Indexați un corpus într-o bază de date vectorială și configurați o căutare hibridă semantică și lexicală
- Construiți un pipeline RAG complet: fragmentare, recuperare, reranking și apoi generare
- Evaluați relevanța unui pipeline RAG și alegeți între File Search și o arhitectură personalizată
- Utilizați embeddings pentru a clasifica, clusteriza, recomanda și detecta anomalii și duplicate
Fișa cursului
- Cui se adresează
- Dezvoltatori, ingineri și integratori care doresc să utilizeze ChatGPT prin API în aplicațiile lor.
- Prerechizite
- Capacitatea de a citi Python și JSON, noțiuni de bază ale liniei de comandă. O cheie API pentru platforma OpenAI pentru a testa exemplele.
- Durată
- 2 h 15 min — 22 lecții
- Format
- Curs 100% online, în ritmul propriu, accesibil 24/7 dintr-un browser. Progresul este salvat și puteți relua oricând. Durata estimată: 2 h 15 min.
- Evaluare
- Autoevaluare bazată pe punctele cheie care încheie fiecare lecție și practică directă a exemplelor pe propriile cazuri. Un quiz final cu 5 întrebări și răspunsuri, la sfârșitul ultimei lecții, validează ceea ce ați învățat.
- Accesibilitate
- Curs în ritmul propriu, accesibil persoanelor cu dizabilități: conținut text compatibil cu cititoarele de ecran, navigare prin tastatură și contrast de culori conform. Pentru orice nevoie de adaptare, trimiteți un e-mail la [email protected].
- Preț
- Gratis
Conținutul cursului
- 01 Ce este un embedding: intuiția
- 02 API-ul de Embeddings: Modele și Dimensiuni
- 03 Generați embedding-uri pentru datele dumneavoastră
- 04 Distanța și similaritatea cosinus
- 05 Vizualizarea embedding-urilor
- 06 Căutare semantică vs. căutare pe cuvinte cheie
- 07 Indexarea unui corpus de documente
- 08 Baze de date vectoriale (Pinecone, Qdrant, Weaviate)
- 09 Căutare hibridă (semantică + lexicală)
- 10 Évaluer la qualité de la recherche
- 11 Arhitectura RAG completă
- 12 Chunking: Divizarea inteligentă a documentelor
- 13 Reranking: Îmbunătățirea Relevanței
- 14 RAG avansat: Multi-Query, HyDE, Step-Back
- 15 Evaluarea unui flux RAG
- 16 Căutare în fișiere vs. RAG personalizat: când să le utilizați
- 17 Clasificarea textului cu embedding-uri
- 18 Clustering: Grupare automată
- 19 Recomandări personalizate
- 20 Detecția anomaliilor și a duplicatelor
- 21 Ajustarea fină a embedding-urilor
- 22 Production: Scalabilitate și Cache