Kurs RAG w praktyce - nowoczesne techniki wydobywania i generowania danych

1. Czym jest Retrieval-Augmented Generation?

• definicja i podstawowe założenia,
• RAG jako połączenie wyszukiwania i generowania tekstu.

2. Kluczowe różnice między klasycznym generowaniem tekstu a podejściem RAG

• modele generatywne bez dostępu do kontekstu,
• wykorzystanie zewnętrznych źródeł wiedzy w RAG.

3. Zastosowania RAG w AI i NLP

• wsparcie dla chatbotów i asystentów AI,
• automatyczne podsumowywanie i wyszukiwanie informacji.

4. Przykłady zastosowań w realnym świecie

• przykłady wdrożeń w firmach technologicznych,
• wpływ RAG na poprawę jakości generowanych treści.

5. Przegląd działania modelu RAG

• podstawowa architektura RAG,
• kluczowe komponenty systemu.

6. Połączenie retrievera (np. FAISS, Chroma) z generatorami (np. GPT, LLama, Claude)

• jak działa wyszukiwanie wektorowe?
• jak generator wykorzystuje znalezione informacje?

7. Struktura przepływu danych w systemie RAG

• proces wyszukiwania, przetwarzania i generowania odpowiedzi,
• jak dane są przechowywane i przetwarzane?

8. Jakie bazy wiedzy można wykorzystywać?

• wektorowe bazy danych,
• dokumenty, pliki, API jako źródła wiedzy.

9. Wybór i konfiguracja retrievera (wektorowe bazy danych: FAISS, Pinecone, Weaviate)

• jak działa wyszukiwanie wektorowe?
• wybór odpowiedniej technologii do konkretnego przypadku.

10. Integracja z modelami generatywnymi (OpenAI, Mistral, LLama, Claude)

• jakie modele najlepiej współpracują z RAG?
• jak dostosować model do konkretnego zastosowania?

11. Wybór strategii indeksowania i wyszukiwania danych

• jakie strategie indeksowania poprawiają wydajność?
• jak unikać duplikatów i błędnych wyników?

12. Praktyczne implementacje w Pythonie (LangChain, LLamaIndex)

• przykładowy kod do stworzenia systemu RAG,
• testowanie i debugowanie implementacji.

13. Strategie poprawy dokładności wyników

• jak dobierać odpowiednie dokumenty do wyszukiwania?
• jak kontrolować trafność wyników?

14. Różne techniki filtrowania i rankingowania wyników

• wykorzystanie scoringu dokumentów,
• dynamiczne dostosowanie kryteriów wyszukiwania.

15. Pre-processing i embedding dokumentów

• jakie przekształcenia danych poprawiają jakość wyników?
• optymalizacja embeddingów pod kątem wyszukiwania.

16. Jak unikać halucynacji modeli generatywnych

• strategie weryfikacji wyników,
• monitorowanie jakości generowanych odpowiedzi.

17. Wydajność i optymalizacja wyszukiwania

• jak unikać opóźnień w przetwarzaniu zapytań?
• redukcja kosztów obliczeniowych.

18. Cache’owanie wyników i minimalizacja kosztów

• strategie cache’owania wyników,
• optymalne zarządzanie pamięcią podręczną.

19. Skalowanie systemu RAG w środowiskach produkcyjnych

• jak przygotować RAG na duże ilości zapytań?
• strategie rozproszonego przetwarzania zapytań.