Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Svensk version

Embeddings, RAG och semantisk sökning

Den här kursen täcker OpenAI embeddings, vektordatabaser, semantisk sökning, en komplett RAG-pipeline och produktionsapplikationer.

22 lektioner ca. 2 h 15 min Utvecklare

Vad du lär dig

  • Generera embeddings och mäta semantisk närhet mellan texter med hjälp av cosinuslikhet
  • Indexera en korpus i en vektordatabas och konfigurera hybrid sökning (semantisk och lexikal)
  • Bygga en komplett RAG-pipeline: chunking, retrieval, reranking och sedan generering
  • Utvärdera relevansen hos en RAG-pipeline och välja mellan File Search och en anpassad arkitektur
  • Använda embeddings för att klassificera, klustra, rekommendera samt upptäcka anomalier och dubbletter

Kursöversikt

Målgrupp
Utvecklare, ingenjörer och integratörer som vill använda ChatGPT via API i sina applikationer.
Förkunskaper
Förmåga att läsa Python och JSON, grundläggande kunskaper i kommandoraden. En API-nyckel till OpenAI-plattformen för att testa exemplen.
Studietid
2 h 15 min — 22 lektioner
Upplägg
100 % online självstudiekurs, tillgänglig dygnet runt från en webbläsare. Framsteg sparas och du kan fortsätta när som helst. Beräknad tid: 2 h 15 min.
Bedömning
Självutvärdering baserad på de viktigaste punkterna som avslutar varje lektion, samt direkt praktik med exemplen på dina egna data. Ett avslutande quiz med 5 frågor och svar, i slutet av den sista lektionen, validerar det du har lärt dig.
Tillgänglighet
Självstudiekurs tillgänglig för personer med funktionsnedsättning: textinnehåll kompatibelt med skärmläsare, tangentbordsnavigering och färgkontrast som följer standarden. För behov av anpassning, mejla [email protected].
Pris
Gratis

Kursens innehåll

  1. 01 Vad är en inbäddning: Intuitionen
  2. 02 Embeddings-API:n: Modeller och dimensioner
  3. 03 Generera inbäddningar för din data
  4. 04 Distans och cosinuslikhet
  5. 05 Visualisera inbäddningar
  6. 06 Semantisk sökning kontra nyckelordsökning
  7. 07 Indexera en dokumentsamling
  8. 08 Baser de données vectorielles (Pinecone, Qdrant, Weaviate)
  9. 09 Hybrid sökning (semantisk + lexikal)
  10. 10 Utvärdera sökkvalitet
  11. 11 Arkitektur för komplett RAG
  12. 12 Chunking: Dela upp dina dokument intelligent
  13. 13 Reranking: Förbättra relevansen
  14. 14 RAG avancé : Multi-Query, HyDE, Step-Back
  15. 15 Utvärdera en RAG-pipeline
  16. 16 File Search kontra anpassad RAG: När ska du använda vad?
  17. 17 Klassificering av text med inbäddningar
  18. 18 Clustering : regroupement automatique
  19. 19 Rekommendationer på individnivå
  20. 20 Detektering av anomalier och dubbletter
  21. 21 Finjustering av inbäddningar
  22. 22 Production : mise à l'échelle et mise en cache