Scopri come integrare fonti di dati esterne nei modelli di chat con LangChain. Impara a caricare, suddividere, incorporare, archiviare e recuperare dati per l’uso in applicazioni con LLM.

Caricare documenti per il RAG con LangChain

Caricare file PDF per RAG

Caricare file HTML per RAG

Suddivisione del testo, embedding e archiviazione vettoriale

Prime mosse con la suddivisione del testo

Suddividere i documenti in modo ricorsivo

Creare embedding e archiviare i documenti

Creare una retrieval chain con LCEL

Creare il prompt di retrieval

Costruire la retrieval chain

Creare applicazioni RAG con LangChain

Scopri tecniche allo stato dell’arte per caricare, suddividere e recuperare documenti, inclusi il caricamento di file Python, la suddivisione semantica e i metodi di retrieval MRR e self-query. Impara a valutare la tua architettura RAG usando metriche e framework robusti.

Caricare e dividere i file di codice

Caricare file di codice

Suddividere file Python

Metodi avanzati di suddivisione

Suddividere per token

Suddivisione semantica

Ottimizzare il recupero dei documenti

Opzioni

Sparse

Dense

Retrieval sparse vs. dense

Capire BM25

Recupero sparso con BM25

Introduzione alla valutazione del RAG

Valutazione della context precision con Ragas

Valutazione della faithfulness con Ragas

Valutazione di stringhe

Migliorare l’architettura RAG

Scopri come i database a grafo e il retrieval possono superare alcune limitazioni dell’archiviazione e del recupero tradizionali basati su vettori.

Dai vettori ai grafi

Creare documenti grafo

Conoscere i grafi

Memorizzare e interrogare i documenti

Costruire il tuo database a grafo

Interrogare il tuo graph database

Creare la catena Graph RAG

Un viaggio nel sistema Graph RAG

Concatenazione, in stile Graph RAG!

Migliorare il recupero dal grafo

Graph RAG con filtraggio

Convalidare le query Cypher

Creare un prompt few-shot per Cypher

Congratulazioni!

Introduzione a Graph RAG

RAG Academic Paper PDF

DataCamp Blog HTML

LangChain README Markdown

Chatbot Python File

RAG Workflow Python File

I Large Language Models (LLM) sono sempre più integrati in computer, smartphone e applicazioni software, ma hanno un limite: la loro conoscenza dipende dai dati di addestramento, che sono lenti e costosi da aggiornare. Entra in gioco la Retrieval Augmented Generation (RAG)! RAG ti permette di integrare dati esterni con gli LLM. In questo corso imparerai le tecniche allo stato dell’arte per caricare, elaborare e recuperare dati esterni per gli LLM! Userai database vettoriali, gli LLM più recenti, tra cui GPT-4o-Mini, e il framework LangChain per creare applicazioni RAG. Il corso si conclude con un capitolo su Graph RAG, una variante del RAG tradizionale che utilizza database a grafo per un recupero dei dati più affidabile.

<h2>Costruisci sistemi RAG con LangChain</h2>Il Retrieval Augmented Generation (RAG) è un modo per risolvere uno dei problemi principali dei modelli linguistici di grandi dimensioni (LLM): il fatto che non sanno tutto. I sistemi RAG mettono insieme dati esterni da un sacco di fonti diverse nei modelli di linguaggio grande (LLM). Questo processo di collegamento di più sistemi diversi di solito è noioso, ma LangChain lo rende un gioco da ragazzi!<br><br><h2>Scopri i metodi più avanzati di suddivisione e recupero</h2>Migliora la tua architettura RAG! Imparerai come caricare e dividere i file di codice, compresi quelli Python e Markdown, per assicurarti che le divisioni "riconoscano" la sintassi del codice. Dividerai i tuoi documenti usando token invece che caratteri per assicurarti che i documenti recuperati rimangano nella finestra di contesto del tuo modello. Scopri come la divisione semantica può aiutarti a mantenere il contesto, individuando i punti in cui cambia l'argomento nel testo e dividendo il testo in questi punti. Infine, impara a valutare bene la tua architettura RAG con LangSmith e Ragas.<br><br><h2>Scopri l'architettura Graph RAG</h2>Ribalta la tua architettura RAG e scopri come i sistemi RAG basati su grafici, invece che su vettori, possono migliorare la comprensione del tuo sistema delle entità e delle relazioni nei tuoi documenti. Imparerai come trasformare dati di testo non strutturati in grafici usando gli LLM per fare la traduzione! Poi, salverai questi documenti grafici in un database grafico Neo4j e li integrerai in un sistema RAG più ampio per completare l'applicazione.

Developing LLM Applications with LangChain

Scopri metodi avanzati per integrare dati esterni con LLM usando RAG con LangChain.

Retrieval Augmented Generation (RAG) con LangChain

Scopri i metodi più innovativi per integrare dati esterni con gli LLM usando Retrieval Augmented Generation (RAG) con LangChain.

Sviluppare applicazioni con LangChain

La maggior parte degli elementi del vettore è zero

La maggior parte degli elementi del vettore è diversa da zero

Retrieval sparse vs. dense

Retrieval Augmented Generation (RAG) con LangChain

esercizio interattivo pratico