Benvenuto nel framework LangChain per creare applicazioni con LLM! Imparerai i componenti principali di LangChain, tra cui modelli, chain, agenti, prompt e parser. Creerai chatbot usando sia modelli open source da Hugging Face sia modelli proprietari di OpenAI, realizzerai template di prompt e integrerai diverse strategie di memoria per chatbot per gestire contesto e risorse durante le conversazioni.

L'ecosistema LangChain

Modelli OpenAI in LangChain!

Modelli Hugging Face in LangChain!

Modelli di prompt

Prompt template e concatenazione

Template di prompt per chat

Suggerimento di pochi colpi

Creare un set di esempi di pochi scatti

Creare il template di few-shot prompting

Implementare il few-shot prompting

Introduzione a LangChain e alla meccanica dei chatbot

È il momento di migliorare le tue chain in LangChain! Imparerai a usare il LangChain Expression Language (LCEL) per definire chain con maggiore flessibilità. Creerai chain sequenziali, in cui gli input passano tra i componenti per costruire applicazioni più avanzate. Inizierai anche a integrare agenti, che utilizzano gli LLM per prendere decisioni.

Catene sequenziali

Costruire suggerimenti per catene sequenziali

Chain sequenziali con LCEL

Introduzione agli agenti LangChain

Cos'è un agent?

Agenti ReAct

Strumenti personalizzati per gli agenti

Definizione di una funzione per l'utilizzo degli strumenti

Creare tool personalizzati

Integrare strumenti personalizzati con gli agenti

Chain e agenti

Una limitazione degli LLM è avere un knowledge cut-off, perché sono addestrati su dati fino a un certo momento. In questo capitolo imparerai a creare applicazioni che usano la Retrieval Augmented Generation (RAG) per integrare dati esterni con gli LLM. Il flusso di lavoro RAG include vari passaggi: suddivisione dei dati, creazione e archiviazione degli embedding usando un database vettoriale e recupero delle informazioni più rilevanti da usare nell’applicazione. Imparerai a padroneggiare l’intero workflow!

Integrazione di caricatori di documenti

PDF caricatori di documenti

CSV caricatori di documenti

HTML caricatori di documenti

Suddivisione dei dati esterni per il recupero

Suddivisione per carattere

Divisione ricorsiva per carattere

Suddividere HTML

RAG archiviazione e recupero con database vettoriali

Preparazione dei documenti e del database vettoriale

Creare un prompt template per il retrieval

Creare una chain RAG

Conclusione!

Retrieval Augmented Generation (RAG)

Rivoluziona le tue applicazioni sfruttando la potenza del framework LangChain per creare applicazioni basate su Large Language Models (LLM)! Una delle grandi sfide nello sviluppo nell’era della generative AI è integrare modelli, fonti dati, prompt e altri componenti di diversi provider in un’unica applicazione. Il framework LangChain offre una sintassi unica e unificata per mettere insieme tutti questi elementi, permettendoti di integrare gli LLM nei tuoi progetti in modo più fluido. Che tu sia uno sviluppatore esperto o agli inizi, questo corso ti fornirà conoscenze e competenze per creare applicazioni dinamiche e intelligenti che sfruttano le capacità illimitate di LangChain. Unisciti a noi in questo percorso trasformativo e ridefinisci il modo in cui crei applicazioni basate su modelli linguistici.

I video includono trascrizioni in tempo reale che puoi visualizzare facendo clic su "Show transcript" in basso a sinistra nei video.
Il glossario del corso si trova a destra nella sezione delle risorse.
Per ottenere i crediti CPE, devi completare il corso e raggiungere un punteggio del 70% nella valutazione qualificata. Puoi accedere alla valutazione facendo clic sull’avviso dei crediti CPE sulla destra.

<h2>Fondamenti per lo sviluppo nell’ecosistema LangChain</h2>
Arricchisci il tuo kit di strumenti LLM con l’ecosistema LangChain, che consente un’integrazione fluida con i modelli OpenAI e Hugging Face.  Scopri un framework open-source che ottimizza le applicazioni reali e ti permette di creare sistemi sofisticati di reperimento delle informazioni, su misura per il tuo caso d’uso.<br><br>
<h2>Metodologie di creazione di chatbot con LangChain</h2>
Utilizza gli strumenti LangChain per sviluppare chatbot, confrontando le differenze tra i modelli open-source di HuggingFace e quelli closed-source di OpenAI. Utilizza modelli di prompt per conversazioni complesse, gettando le basi per lo sviluppo di chatbot avanzati.<br><br>
<h2>Gestione dei dati e Retrieval Augmented Generation (abbreviato RAG; in italiano “generazione potenziata da recupero dati”) con LangChain</h2>
Padroneggia la tokenizzazione e i database vettoriali per ottimizzare il recupero dei dati, arricchendo le interazioni dei chatbot con una grande quantità di informazioni esterne.  Utilizza le funzioni di memoria RAG per ottimizzare diversi casi d'uso.<br><br>
<h2>Integrazioni avanzate di catene, strumenti e agenti</h2>
Utilizza la potenza di catene, strumenti, agenti, API e processi decisionali intelligenti per gestire casi d'uso end-to-end e ottimizzare la gestione avanzata degli output LLM.<br><br>
<h2>Debug e metriche delle prestazioni</h2>
Infine, acquisirai competenze in debugging, ottimizzazione e valutazione delle prestazioni, assicurandoti che i tuoi chatbot siano pronti a gestire gli errori.  Aggiungi livelli di trasparenza per la risoluzione dei problemi.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Scopri come creare app AI con LLM, prompt, catene e agenti in LangChain.

Sviluppare applicazioni LLM con LangChain

Scopri come costruire applicazioni basate sull'intelligenza artificiale utilizzando LLM, prompt, catene e agenti in LangChain.

Ingegnere AI associato per sviluppatori

Sviluppare applicazioni AI

Sviluppare applicazioni con LangChain

Cos'è un agent?

Sviluppare applicazioni LLM con LangChain

esercizio interattivo pratico