Zjisti, jak propojit externí zdroje dat s chatovacími modely pomocí LangChain. Naučíš se načítat, rozdělovat, vkládat, ukládat a vyhledávat data pro použití v LLM aplikacích.

Načítání dokumentů pro RAG s LangChainem

Načítání PDF souborů pro RAG

Načítání HTML souborů pro RAG

Rozdělování textu, embeddingy a vektorové úložiště

Začínáme s rozdělováním textu

Rekurzivní dělení dokumentů

Embedding a ukládání dokumentů

Sestavení retrieval chainu pomocí LCEL

Vytvoření retrieval promptu

Sestavení řetězce pro vyhledávání

Tvorba RAG aplikací s LangChain

Poznej nejmodernější techniky pro načítání, rozdělování a vyhledávání dokumentů – včetně načítání souborů Pythonu, sémantického dělení a metod vyhledávání MRR a self-query. Naučíš se také vyhodnocovat architekturu RAG pomocí robustních metrik a frameworků.

Načítání a rozdělování souborů s kódem

Načítání souborů s kódem

Rozdělování souborů v Pythonu

Pokročilé metody rozdělování

Rozdělování podle tokenů

Sémantické rozdělování textu

Optimalizace vyhledávání dokumentů

Řídké vs. husté vyhledávání

Pochopení BM25

Řídké vyhledávání s BM25

Úvod do hodnocení RAG

Vyhodnocení přesnosti kontextu pomocí Ragas

Hodnocení věrnosti pomocí Ragas

Vyhodnocení řetězce

Vylepšení architektury RAG

Zjisti, jak grafové databáze a vyhledávání dokážou překonat některá omezení tradičního vektorového ukládání a vyhledávání dat.

Od vektorů ke grafům

Vytváření grafových dokumentů

Seznámení s grafy

Ukládání a dotazování dokumentů

Budování grafové databáze

Dotazování na grafovou databázi

Vytváření Graph RAG řetězce

Proces Graph RAG

Cesta systémem Graph RAG

Řetězení ve stylu Graph RAG!

Vylepšení vyhledávání v grafu

Graph RAG s filtrováním

Validace Cypher dotazů

Vytvoření few-shot promptu pro Cypher

Gratulujeme!

Úvod do Graph RAG

RAG Academic Paper PDF

RAG Workflow Python File

LangChain README Markdown

Chatbot Python File

DataCamp Blog HTML

Velké jazykové modely (LLM) se integrují do počítačů, telefonů a softwarových aplikací, ale mají jednu nevýhodu: jejich znalosti jsou omezeny trénovacími daty, jejichž aktualizace je pomalá a nákladná. A právě zde přichází ke slovu Retrieval Augmented Generation (RAG)! RAG ti umožňuje propojit externí data s LLM. V tomto kurzu se naučíš nejmodernější techniky pro načítání, zpracování a vyhledávání externích dat pro LLM! Využiješ vektorové databáze, nejnovější LLM a framework LangChain k vytváření RAG aplikací. Kurz završuje kapitola o Graph RAG – variantě tradičního RAG, která využívá grafové databáze pro spolehlivější vyhledávání dat.

<h2>Vytvářejte RAG systémy s LangChain</h2>Retrieval Augmented Generation (RAG) je technika používaná k překonání jednoho z hlavních omezení velkých jazykových modelů (LLM): jejich omezených znalostí. Systémy RAG integrují externí data z různých zdrojů do LLM. Tento proces propojení více různých systémů je obvykle zdlouhavý, ale LangChain z něj dělá hračku!<br><br><h2>Naučte se nejmodernější metody dělení a vyhledávání</h2>Vylepšete svou architekturu RAG! Naučíte se, jak načítat a dělit soubory s kódem, včetně souborů Python a Markdown, aby dělení bylo „citlivé“ na syntaxi kódu. Dokumenty rozdělíte pomocí tokenů místo znaků, abyste zajistili, že načtené dokumenty zůstanou v rámci kontextového okna vašeho modelu. Zjistěte, jak vám sémantické dělení může pomoci zachovat kontext tím, že rozpozná, kdy se v textu mění téma, a rozdělí jej v těchto bodech. Nakonec se naučte robustně vyhodnocovat svou architekturu RAG pomocí LangSmith a Ragas.<br><br><h2>Objevte architekturu Graph RAG</h2>Obraťte svou architekturu RAG naruby a zjistěte, jak mohou grafové, nikoli vektorové systémy RAG zlepšit porozumění entitám a vztahům ve vašich dokumentech. Naučíte se, jak převádět nestrukturovaná textová data do grafů pomocí LLM, které provedou převod! Poté tyto grafové dokumenty uložíš do grafové databáze Neo4j a integruješ je do širšího systému RAG, aby byla aplikace kompletní.

Developing LLM Applications with LangChain

Naučte se integrovat externí data s LLM pomocí Retrieval Augmented Generation (RAG) s LangChain.

Retrieval Augmented Generation (RAG) with LangChain

Naučte se špičkové metody integrace externích dat s LLM pomocí Retrieval Augmented Generation (RAG) s LangChain.

Vývoj aplikací s LangChain

Pomocí LLM převést vstup uživatele na Cypher dotaz

Dotázat se grafové databáze pomocí Cypheru

Pomocí LLM převést načtené grafové dokumenty do přirozeného jazyka

Vrátit uživateli odpověď v přirozeném jazyce

Cesta systémem Graph RAG

Retrieval Augmented Generation (RAG) with LangChain

Interaktivní praktické cvičení