برنامه های RAG پیشرفته با پایگاه های داده برداری

سرفصل ها و درس ها

مقدمه Introduction

• آنچه شما باید بدانید What you should know

• راه اندازی فایل های تمرینی Setting up your exercise files

• RAG با پایگاه داده برداری: استراتژی های پیشرفته برای بهینه سازی هوش مصنوعی RAG with vector databases: Advanced strategies for AI optimization

1. بهینه سازی RAG 1. Optimizing RAG

• نسخه ی نمایشی: جاسازی و ذخیره کنید Demo: Embed and store

• چالش: منابع سند خود را ذکر کنید Challenge: Cite your document sources

• ملاحظات تکه تکه Chunking considerations

• چالش: اندازه تکه را تغییر دهید Challenge: Change the chunk size

• مقدمه ای بر تعبیه ها Introduction to embeddings

• نسخه ی نمایشی: فراداده Demo: Metadata

• فراداده Metadata

• راه حل: منابع سند خود را ذکر کنید Solution: Cite your document sources

• نمونه های تکه تکه Chunking examples

• نسخه ی نمایشی: اضافه کردن LLM Demo: Adding the LLM

• نسخه ی نمایشی: تکه تکه شدن Demo: Chunking

• نسخه ی نمایشی: پرس و جو Demo: Querying

• تعبیه نمونه ها Embedding examples

• مقدمه ای بر پیش پردازش برای RAG Introduction to preprocessing for RAG

• راه حل: اندازه قطعه را تغییر دهید Solution: Change the chunk size

2. جستجوی تصویر با پایگاه داده برداری 2. Image Search with Vector Databases

• نسخه ی نمایشی: مقایسه معنایی تصاویر Demo: Comparing images semantically

• چالش: شبیه ترین سگ را به گربه پیدا کنید Challenge: Find the dog most similar to a cat

• راه حل: شبیه ترین سگ به گربه را پیدا کنید Solution: Find the dog most similar to a cat

• مقدمه ای بر جاسازی های برداری برای تصاویر Introduction to vector embeddings for images

• نسخه ی نمایشی: دریافت بردارهای معنایی Demo: Getting semantic vectors

• مدل های ویژن 101 Vision models 101

• نسخه ی نمایشی: ذخیره بردارهای تصویر Demo: Storing image vectors

3. RAG چندوجهی با پایگاه داده برداری 3. Multimodal RAG with Vector Databases

• راه حل: ناهنجاری ها را در جاسازی های خود بیابید Solution: Find anomalies in your embeddings

• مقدمه ای بر انواع چند وجهی Introduction to the types of multimodality

• چالش: ناهنجاری ها را در جاسازی های خود بیابید Challenge: Find anomalies in your embeddings

• مقدمه ای بر مدل های تعبیه چند وجهی Introduction to multimodal embedding models

• نسخه ی نمایشی: تصاویر را با متن جستجو کنید Demo: Query images with text

• راه های انجام RAG چند وجهی Ways to do multimodal RAG

• نسخه ی نمایشی: جاسازی و ذخیره داده ها Demo: Embedding and storing data

نتیجه گیری Conclusion

• مراحل بعدی Next steps