Zrozumiesz architekturę RAG - Nauczysz się projektować przepływ danych w systemie RAG i odróżniać go od pracy standardowego LLM, dzięki czemu świadomie dobierzesz komponenty do własnych zastosowań.
Przygotujesz dane do wyszukiwania - Dowiesz się, jak wydobywać treść z dokumentów, dzielić ją na sensowne fragmenty i ustawiać parametry chunkingu tak, aby poprawić jakość późniejszego wyszukiwania.
Dobierzesz właściwe embeddingi - Poznasz różnice między modelami embeddingów i nauczysz się wybierać reprezentacje wektorowe pod typ danych, język oraz cel biznesowy, zamiast działać metodą prób i błędów.
Opanujesz Qdrant w praktyce - Skonfigurujesz środowisko, utworzysz kolekcje i przećwiczysz operacje na rekordach w Qdrant, dzięki czemu zbudujesz stabilne zaplecze dla aplikacji opartych na wyszukiwaniu wektorowym.
Zwiększysz trafność wyników - Nauczysz się łączyć semantic search, filtrowanie po metadanych i reranking, aby zwracać bardziej adekwatne dokumenty oraz ograniczać liczbę nietrafionych odpowiedzi systemu.
Zbudujesz lepsze prompty - Przećwiczysz tworzenie prompt templates i składanie zapytania z kontekstem, dzięki czemu model będzie generował odpowiedzi oparte na źródłach, a nie na domysłach lub halucynacjach.
Nauczysz się oceniać jakość RAG - Poznasz metryki i narzędzia, w tym deepeval, które pozwolą Ci testować poprawność odpowiedzi, mierzyć jakość działania i automatyzować kontrolę zmian w systemie RAG.
Wyjdziesz z gotowym rozwiązaniem - Zobaczysz kompletną aplikację do zasilania bazy wiedzy i generowania odpowiedzi, więc łatwiej przeniesiesz poznane techniki do projektu pilotażowego lub środowiska produkcyjnego.
Architektura RAG pokazuje, jak połączyć model językowy z zewnętrznym źródłem wiedzy. Uczestnicy analizują przewagi tego podejścia nad standardowym generowaniem, poznają główne komponenty i przepływ informacji oraz rolę biblioteki LangChain w budowie aplikacji.
Aby dane mogły zostać poprawnie zaindeksowane, trzeba najpierw odpowiednio przygotować ich strukturę. Sekcja obejmuje użycie parserów do ekstrakcji treści z dokumentów, strategie chunkingu oraz dobór parametrów podziału wpływających na późniejsze wyszukiwanie.
Embeddingi umożliwiają zapis znaczenia tekstu w postaci wektorów, co stanowi podstawę operacji semantycznych. W tej części analizowane są aktualne modele i generatory reprezentacji wektorowych oraz kryteria ich doboru zależnie od charakteru i specyfiki danych.
Qdrant pełni rolę warstwy przechowywania wektorów i powiązanych danych w rozwiązaniu RAG. Omawiane są konfiguracja środowiska, zarządzanie kolekcjami, operacje na rekordach oraz mechanizmy integracji bazy z LangChain na potrzeby dalszego przetwarzania.
Skuteczne odnajdywanie informacji wymaga czegoś więcej niż prostego dopasowania podobieństwa. Uczestnicy pracują z wyszukiwaniem semantycznym, filtrowaniem wyników za pomocą metadanych oraz technikami Rerankingu, które poprawiają trafność dokumentów kierowanych do modelu.
Prompt Templates porządkują sposób przekazywania instrukcji do modelu i wpływają na jakość odpowiedzi. Sekcja skupia się na łączeniu zapytania użytkownika z odnalezionym kontekstem oraz na syntezie odpowiedzi w oparciu o materiały źródłowe, bez odchodzenia od dostępnych danych.
Wiarygodność odpowiedzi w RAG wymaga oceny opartej na mierzalnych kryteriach. Ta część obejmuje użycie biblioteki deepeval, definiowanie i pomiar kluczowych metryk jakości oraz automatyzację sprawdzania poprawności treści generowanych przez system.
Na gotowej aplikacji zostaje pokazane, jak połączyć wcześniejsze elementy procesu w jeden działający mechanizm RAG. Uczestnicy śledzą zasilanie bazy danych oraz sposób, w jaki zgromadzone zasoby są następnie wykorzystywane do generowania wiedzy.
Podstawy Pythona - Powinieneś swobodnie czytać i pisać prosty kod w Pythonie, używać funkcji, importów oraz pracy na danych tekstowych, bo szkolenie dotyczy budowy działających elementów rozwiązania.
Praca z API i bibliotekami - Powinieneś mieć doświadczenie w instalacji bibliotek, pracy w środowisku programistycznym i korzystaniu z API, aby sprawnie uruchamiać przykłady oraz integrować komponenty.
Podstawy modeli językowych - Powinieneś rozumieć, czym są modele językowe, prompt i kontekst odpowiedzi, aby łatwo przejść do zagadnień związanych z RAG, embeddingami i generowaniem odpowiedzi.
Podstawy danych i wyszukiwania - Powinieneś znać podstawy pracy z danymi tekstowymi, dokumentami i prostym wyszukiwaniem informacji, ponieważ szkolenie obejmuje parsowanie, segmentację i retrieval.
