Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Svensk version

Embeddings, RAG och semantisk sökning

Bygg system för semantisk sökning: text- och kodembeddings, RAG från grunden med FAISS och avancerade tekniker (Corrective, Self-RAG, Adaptive).

18 lektioner ca. 2 h Utvecklare

Vad du lär dig

  • Generera embeddings med mistral-embed och mät semantisk likhet mellan två texter
  • Dela upp och batcha en stor datamängd för att vektorisera den utan att överskrida API-gränser
  • Indexera kod med codestral-embed för att möjliggöra semantisk sökning i ett kodförråd
  • Bygg en komplett RAG-pipeline: förberedelse, vektorisering, FAISS-lagring, hämtning och generering
  • Jämför Corrective RAG, Self-RAG och Adaptive RAG för att förbättra svarens relevans

Kursöversikt

Målgrupp
Utvecklare, ingenjörer och integratörer som vill utnyttja Mistral AI via API i sina applikationer.
Förkunskaper
Förmåga att läsa Python och JSON, grundläggande kunskaper i kommandoraden. En API-nyckel till Mistral AI Studio för att testa exemplen.
Studietid
2 h — 18 lektioner
Upplägg
100 % online självstudiekurs, tillgänglig dygnet runt från en webbläsare. Framsteg sparas, fortsätt när som helst. Beräknad tid: 2 h.
Bedömning
Självutvärdering baserad på de viktigaste slutsatserna som avslutar varje lektion och direkt implementering av exempel på dina egna data. Ett avslutande quiz med 5 rättade frågor, i slutet av den sista lektionen, validerar förvärvade färdigheter.
Tillgänglighet
Kursen är tillgänglig för personer med funktionsnedsättning: textinnehåll kompatibelt med skärmläsare, tangentbordsnavigering och kontraster som följer standarden. För eventuella anpassningsbehov, mejla [email protected].
Pris
Gratis

Kursens innehåll

  1. 01 Introduktion till inbäddningar
  2. 02 Modellen mistral-embed
  3. 03 Similarité sémantique
  4. 04 Batchning och chunking
  5. 05 Modellen codestral-embed
  6. 06 Sökning i kod efter betydelse
  7. 07 Typer och dimensioner av data
  8. 08 Cas d'usage : Embeddings de code
  9. 09 Introduktion till RAG
  10. 10 Förbered datan
  11. 11 Skapa inbäddningar
  12. 12 Vector Store avec FAISS
  13. 13 Retrieval och generering
  14. 14 Pipeline RAG complet
  15. 15 RAG correctif
  16. 16 Self-RAG
  17. 17 RAG adaptatif
  18. 18 RAG-ramverk: LangChain, LlamaIndex, Haystack