Анонсуємо новий курс Coursera: Retrieval Augmented Generation (RAG) Ви навчитеся створювати високопродуктивні, готові до виробництва системи RAG у цьому практичному, поглибленому курсі, створеному та викладаному @ZainHasan6, досвідченим інженером зі штучним інтелектом та машинним навчанням, дослідником і викладачем. RAG сьогодні є критично важливим компонентом багатьох додатків на основі LLM у підтримці клієнтів, внутрішніх системах запитань і відповідей компанії, навіть багатьох провідних чат-ботів, які використовують веб-пошук, щоб відповісти на ваші запитання. Цей курс детально навчить вас, як зробити так, щоб RAG працював добре. LLM можуть надавати загальні або застарілі відповіді, особливо коли їм задаються спеціалізовані питання, які не висвітлені в їх навчальних даних. RAG є найбільш широко використовуваною технікою для вирішення цієї проблеми. Він використовує дані з нових джерел даних, таких як внутрішні документи або останні новини, щоб надати LLM відповідний контекст для приватної, недавньої або спеціалізованої інформації. Це дозволяє йому генерувати більш обґрунтовані та точні відповіді. У цьому курсі ви навчитеся проектувати та впроваджувати кожну частину системи RAG, від ретриверів до векторних баз даних, від генерації до евалів. Ви дізнаєтеся про основні принципи, що лежать в основі RAG, і про те, як оптимізувати його як на рівні компонентів, так і на рівні всієї системи. У міру того, як розвивається штучний інтелект, розвивається і RAG. Нові моделі можуть обробляти довші контекстні вікна, ефективніше міркувати та можуть бути частинами складних агентних робочих процесів. Однією з захоплюючих областей зростання є Agentic RAG, в якій агент штучного інтелекту під час виконання (а не жорстко закодований під час розробки) автономно вирішує, які дані потрібно отримати, і коли/як зануритися глибше. Навіть з урахуванням цієї еволюції, доступ до високоякісних даних під час виконання має важливе значення, тому RAG є ключовою частиною багатьох додатків. На практичному досвіді ви навчитеся: - Побудуйте систему RAG з пошуком та оперативним доповненням - Порівняйте методи пошуку, такі як BM25, семантичний пошук і Reciprock Rank Fusion - Фрагментуйте, індексуйте та отримуйте документи за допомогою векторної бази даних Weaviate та набору даних новин - Розробити чат-бота, використовуючи LLM з відкритим вихідним кодом, розміщені Together AI, для вигаданого магазину, який відповідає на запитання про продукти та поширені запитання - Використовуйте evals для підвищення надійності та враховуйте мультимодальні дані RAG є важливою базовою технікою. Станьте хорошим у цьому курсі! Будь ласка, зареєструйтесь тут: