Descoperă cum să integrezi surse de date externe în modele de chat cu LangChain. Învață să încarci, să împarți, să încorporezi, să stochezi și să regăsești date pentru utilizarea în aplicații LLM.

Încărcarea documentelor pentru RAG cu LangChain

Încărcarea fișierelor PDF pentru RAG

Încărcarea fișierelor HTML pentru RAG

Divizarea textului, încorporări și stocarea vectorială

Primii pași cu divizarea textului

Împărțirea recursivă a documentelor

Încorporarea și stocarea documentelor

Construirea unui lanț de recuperare LCEL

Crearea promptului de regăsire

Construirea lanțului de regăsire

Construirea aplicațiilor RAG cu LangChain

Descoperă tehnici moderne pentru încărcarea, împărțirea și regăsirea documentelor – inclusiv încărcarea fișierelor Python, împărțirea semantică și metodele de regăsire MRR și self-query. Învață să evaluezi arhitectura RAG folosind metrici și framework-uri robuste.

Încărcarea și împărțirea fișierelor de cod

Încărcarea fișierelor de cod

Împărțirea fișierelor Python

Metode avansate de divizare

Împărțirea după tokeni

Împărțire semantică

Optimizarea regăsirii documentelor

Regăsire sparse vs. dense

Înțelegerea BM25

Regăsire sparse cu BM25

Introducere în evaluarea RAG

Evaluarea preciziei contextului cu Ragas

Evaluarea fidelității cu Ragas

Evaluarea prin comparare de șiruri

Îmbunătățirea arhitecturii RAG

Descoperă cum bazele de date graf și regăsirea bazată pe grafuri pot depăși unele limitări ale stocării și regăsirii tradiționale bazate pe vectori.

De la vectori la grafuri

Crearea documentelor de graf

Să cunoaștem grafurile

Stocarea și interogarea documentelor

Construirea bazei tale de date de tip graf

Interogarea bazei de date graf

Crearea lanțului Graph RAG

O călătorie prin sistemul Graph RAG

Înlănțuire în stil Graph RAG!

Îmbunătățirea recuperării din graf

Graph RAG cu filtrare

Validarea interogărilor Cypher

Crearea unui prompt few-shot pentru Cypher

Felicitări!

Introducere în Graph RAG

RAG Academic Paper PDF

RAG Workflow Python File

LangChain README Markdown

Chatbot Python File

DataCamp Blog HTML

Modelele lingvistice de mari dimensiuni (LLM) sunt integrate în calculatoare, telefoane și aplicații software, însă au o limitare: cunoștințele lor sunt restricționate de datele de antrenament, a căror actualizare este lentă și costisitoare. Soluția este Retrieval Augmented Generation (RAG)! RAG îți permite să integrezi date externe în LLM-uri. În acest curs, vei învăța tehnici moderne pentru încărcarea, procesarea și regăsirea datelor externe pentru LLM-uri. Vei folosi baze de date vectoriale, cele mai recente LLM-uri și framework-ul LangChain pentru a crea aplicații RAG. Cursul se încheie cu un capitol despre Graph RAG – o variantă a RAG tradițional care utilizează baze de date graf pentru o regăsire mai fiabilă a datelor.

<h2>Construiește sisteme RAG cu LangChain</h2>Generarea augmentată prin regăsire (RAG) este o tehnică folosită pentru a depăși una dintre principalele limitări ale modelelor lingvistice mari (LLM): cunoștințele lor limitate. Sistemele RAG integrează date externe dintr-o varietate de surse în LLM-uri. Acest proces de conectare a mai multor sisteme diferite este de obicei anevoios, dar LangChain îl face floare la ureche!<br><br><h2>Învață metode de împărțire și regăsire de ultimă generație</h2>Du-ți arhitectura RAG la nivelul următor! Vei învăța cum să încarci și să împarți fișiere de cod, inclusiv fișiere Python și Markdown, pentru a te asigura că împărțirile sunt „conștiente” de sintaxa codului. Vei împărți documentele folosind tokeni în loc de caractere, pentru a te asigura că documentele recuperate rămân în fereastra de context a modelului tău. Descoperă cum împărțirea semantică poate ajuta la păstrarea contextului prin detectarea momentelor în care subiectul din text se schimbă și împărțirea la aceste puncte. În cele din urmă, învață să evaluezi robust arhitectura ta RAG cu LangSmith și Ragas.<br><br><h2>Descoperă arhitectura Graph RAG</h2>Răstoarnă-ți arhitectura RAG și descoperă cum sistemele RAG bazate pe grafuri, în loc de cele bazate pe vectori, pot îmbunătăți înțelegerea de către sistem a entităților și relațiilor din documentele tale. Vei învăța cum să transformi date text nestructurate în grafuri folosind LLM-uri pentru a face traducerea! Apoi, vei stoca aceste documente grafice într-o bază de date grafică Neo4j și o vei integra într-un sistem RAG mai amplu pentru a finaliza aplicația.

Developing LLM Applications with LangChain

Învață metode avansate de integrare a datelor externe cu LLM-uri folosind RAG cu LangChain.

Retrieval Augmented Generation (RAG) cu LangChain

Învață metode de ultimă generație pentru integrarea datelor externe cu LLM-uri folosind Retrieval Augmented Generation (RAG) cu LangChain.

Dezvoltarea aplicațiilor cu LangChain

Machine Learning Engineer

Divizarea textului, embeddings și stocarea vectorilor

Pregătirea datelor pentru recuperare

Divizarea

CharacterTextSplitter

RecursiveCharacterTextSplitter

Divizarea documentelor

Embedding și stocare

Ce sunt embeddings-urile?

Embedding și stocarea fragmentelor

Să exersăm!

Construirea aplicațiilor RAG cu LangChain - Divizarea textului, încorporări și stocarea vectorială

Divizarea textului, încorporări și stocarea vectorială

Create Your Free Account