RAG та генеративний ІІ. Створюємо власні RAG-пайплайни за допомогою LlamaIndex, Deep Lake та Pinecon, Ротман Деніс

У книзі описуються прийоми створення ефективних великих мовних моделей, систем комп'ютерного зору та генеративного ІІ, що показують високу продуктивність за відносно невисоких витрат. У ній наводиться докладне дослідження технології RAG, а також підходів до проектування мультимодальних пайплайнів ІІ та управління ними. Зв'язуючи висновок із вихідними документами, RAG підвищує точність та контекстну релевантність результатів, пропонуючи динамічний підхід до управління великими обсягами інформації. Дізнайтеся, як побудувати інфраструктуру RAG, попутно розібравшись із векторними сховищами, фрагментацією, індексацією та ранжуванням. Ознайомтеся з методами оптимізації продуктивності та прийомами більш глибокого вивчення даних, включаючи використання адаптивного RAG та зворотного зв'язку від людини для уточнення пошуку, тонке налаштування RAG, реалізацію динамічних RAG для підтримки прийняття рішень у реальному часі та візуалізацію складних даних за допомогою граф знань. Ви також побачите, як на практиці об'єднати такі фреймворки, як LlamaIndex та Deep Lake, векторні бази даних на кшталт Pinecone та Chroma та моделі, що пропонуються компаніями Hugging Face та OpenAI. Придбайте навички впровадження інтелектуальних рішень, що підвищить вашу конкурентоспроможність у різних галузях: від продакшну до обслуговування клієнтів у будь-якому проекті.

У книзі описуються прийоми створення ефективних великих мовних моделей, систем комп'ютерного зору та генеративного ІІ, що показують високу продуктивність за відносно невисоких витрат.

Наводиться детальне дослідження технології RAG, а також підходів до проектування мультимодальних пайплайнів ІІ та управління ними.

Дізнайтеся, як побудувати інфраструктуру RAG, попутно розібравшись із векторними сховищами, фрагментацією, індексацією та ранжуванням.

Ознайомтеся з методами оптимізації продуктивності та прийомами глибшого вивчення даних.

Ви також побачите, як на практиці об'єднати такі фреймворки, як LlamaIndex та Deep Lake, векторні бази даних на кшталт Pinecone та Chroma та моделі, що пропонуються компаніями Hugging Face та OpenAI.