Welkom bij het LangChain-framework voor het bouwen van applicaties met LLM’s! Je leert over de belangrijkste onderdelen van LangChain, waaronder modellen, chains, agents, prompts en parsers. Je bouwt chatbots met zowel open-sourcemodellen van Hugging Face als propriëtaire modellen van OpenAI, maakt promptsjablonen en integreert verschillende geheugenstrategieën voor chatbots om context en resources tijdens gesprekken te beheren.

Het LangChain-ecosysteem

OpenAI-modellen in LangChain!

Hugging Face-modellen in LangChain!

Prompt-templates

Prompttemplates en chaining

Chatprompt-sjablonen

Few-shot prompting

De few-shot-voorbeelden maken

Een few-shot prompttemplate bouwen

Few-shot prompting implementeren

Introductie tot LangChain & chatbotmechaniek

Tijd om je LangChain-chains naar een hoger niveau te tillen! Je leert de LangChain Expression Language (LCEL) gebruiken om chains flexibeler te definiëren. Je maakt sequentiële chains, waarbij invoer tussen componenten wordt doorgegeven om geavanceerdere applicaties te bouwen. Ook begin je met het integreren van agents, die LLM’s gebruiken voor besluitvorming.

Sequentiële chains

Prompts bouwen voor sequentiële chains

Sequentiële chains met LCEL

Introductie tot LangChain-agents

Wat is een agent?

ReAct-agents

Aangepaste tools voor agents

Een functie definiëren voor toolgebruik

Eigen tools maken

Aangepaste tools integreren met agents

Chains en agents

Een beperking van LLM’s is dat ze een kennisafbakening hebben doordat ze zijn getraind op data tot een bepaald moment. In dit hoofdstuk leer je applicaties bouwen die Retrieval Augmented Generation (RAG) gebruiken om externe data met LLM’s te integreren. De RAG-workflow bestaat uit meerdere stappen, zoals data opsplitsen, embeddings maken en opslaan met een vectordatabank, en de meest relevante informatie ophalen voor gebruik in de applicatie. Je leert de volledige workflow beheersen!

Documentloaders integreren

PDF-documentloaders

CSV-documentloaders

HTML-documentloaders

Externe data splitsen voor retrieval

Splitsen op teken

Recursief splitsen op teken

HTML splitsen

RAG-opslag en -opvraging met vectordatabases

De documenten en de vector database voorbereiden

Een retrieval-prompt-template bouwen

Een RAG-chain maken

Afronding!

Retrieval Augmented Generation (RAG)

Vernieuw je applicaties met de kracht van het LangChain-framework voor het bouwen van toepassingen op basis van large language models (LLM’s)! Een van de grootste uitdagingen bij het ontwikkelen in het tijdperk van generative AI is het samenbrengen van modellen, gegevensbronnen, prompts en andere componenten van verschillende aanbieders in één applicatie. Het LangChain-framework biedt één uniforme syntaxis om al deze onderdelen te koppelen, zodat je LLM’s naadloos kunt integreren in je projecten. Of je nu een ervaren ontwikkelaar bent of net begint, deze cursus geeft je de kennis en vaardigheden om dynamische en slimme applicaties te bouwen die de ongekende mogelijkheden van LangChain benutten. Ga met ons mee op deze leerreis en geef een nieuwe draai aan hoe je applicaties bouwt die worden aangestuurd door taalmodellen.

De video’s bevatten live-transcripten die je kunt tonen via "Show transcript" linksonder in de video’s.
De begrippenlijst van de cursus vind je rechts bij de sectie met bronnen.
Om CPE-credits te behalen, moet je de cursus afronden en minimaal 70% scoren op de kwalificerende toets. Je kunt naar de toets navigeren door rechts op de callout voor CPE-credits te klikken.

<h2>Fundament voor ontwikkeling in het LangChain-ecosysteem</h2>
Breid je LLM-toolkit uit met het LangChain-ecosysteem, waarmee je naadloos kunt integreren met OpenAI- en Hugging Face-modellen.  Ontdek een open-source framework dat echte toepassingen optimaliseert en je in staat stelt om geavanceerde information retrieval-systemen te creëren die uniek zijn voor je use case.<br><br>
<h2>Chatbot-creatiemethodologieën met behulp van LangChain</h2>
Gebruik LangChain-tools om chatbots te ontwikkelen en vergelijk de nuances tussen de open-sourcemodellen van HuggingFace en de gesloten-sourcemodellen van OpenAI. Gebruik prompt-sjablonen voor complexe gesprekken en leg zo de basis voor geavanceerde chatbotontwikkeling.<br><br>
<h2>Gegevensverwerking en Retrieval Augmentation Generation (RAG) met LangChain</h2>
Beheers tokenisatie en vectordatabases voor geoptimaliseerde gegevensopvraging, en verrijk chatbot-interacties met een schat aan externe informatie.  Maak gebruik van RAG-geheugenfuncties om diverse use cases te optimaliseren.<br><br>
<h2>Geavanceerde integraties van ketens, tools en agenten</h2>
Maak gebruik van de kracht van ketens, tools, agenten, API's en intelligente besluitvorming om volledige end-to-end use-cases en geavanceerde LLM-outputafhandeling te realiseren.<br><br>
<h2>Debuggen en prestatiemetingen</h2>
Word tenslotte bedreven in debuggen, optimalisatie en prestatie-evaluatie, zodat je chatbots ontwikkeld worden met aandacht voor foutafhandeling.  Voeg lagen van transparantie toe voor probleemoplossing.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

Ontdek hoe je AI-apps bouwt met LLM's, prompts, ketens en agents in LangChain.

LLM-toepassingen ontwikkelen met LangChain

Ontdek hoe je AI-gedreven applicaties bouwt met behulp van LLM's, prompts, ketens en agents in LangChain.

Associate AI Engineer voor ontwikkelaars

AI-toepassingen ontwikkelen

Apps maken met LangChain

HTML-documentloaders

LLM-toepassingen ontwikkelen met LangChain

Oefeninstructies

Interactieve oefening met praktijkervaring