آموزش هوش مصنوعی کاربردی: مقدمه‌ای بر تولید افزوده بازیابی (RAG) - آخرین آپدیت

دانلود Hands-On AI: Introduction to Retrieval-Augmented Generation (RAG)

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره:

بهینه‌سازی تولید با افزونه بازیابی (RAG): راهنمای جامع

تولید با افزونه بازیابی (Retrieval-Augmented Generation - RAG) به سرعت به یکی از محبوب‌ترین روش‌ها برای بهره‌برداری از مدل‌های زبان بزرگ (LLMs) تبدیل شده است. اما چرا؟ دلیل اصلی این محبوبیت، رفع مشکل حیاتی در استفاده از LLMها برای موارد استفاده شخصی یا تجاری است.

مشکل اصلی LLMها و راه‌حل RAG

مدل‌های زبان بزرگ روی حجم عظیمی از داده‌ها آموزش دیده‌اند، اما دسترسی به داده‌های تخصصی مورد نیاز برای سناریوهای خاص شما را ندارند. این فقدان، احتمال «توهم» (hallucination) یا ارائه پاسخ‌های نادرست توسط LLMها را به شدت افزایش می‌دهد. اینجاست که RAG وارد عمل می‌شود.

RAG چگونه کار می‌کند؟

RAG با استفاده از مدل‌های امبدینگ (embedding models) و پایگاه داده‌های برداری (vector databases)، داده‌های شما را به گونه‌ای ذخیره می‌کند که بتوان از آن‌ها به عنوان «بستر زمینه» (context) برای LLMها استفاده کرد. این رویکرد به LLMها امکان می‌دهد تا پاسخ‌های دقیق‌تر و مرتبط‌تری ارائه دهند.

محتوای این دوره

این دوره آموزشی به شما نشان می‌دهد که اجزای مختلف یک اپلیکیشن RAG چه هستند، چگونه از آن‌ها استفاده کنید و چطور اپلیکیشن RAG خود را از پایه با پایتون بسازید. ما به شما نشان خواهیم داد که چگونه با استفاده از GitHub Models، یادگیری خود را ارتقا دهید.

کلیدواژه‌های مرتبط:

تولید با افزونه بازیابی
Retrieval-Augmented Generation
RAG
مدل‌های زبان بزرگ
LLM
مدل‌های امبدینگ
پایگاه داده برداری
هوش مصنوعی
پردازش زبان طبیعی
پایتون
GitHub Models

سرفصل ها و درس ها

مقدمه Introduction

ساخت برنامه‌های هوش مصنوعی قدرتمند با RAG عملی Hands-on RAG: Build powerful AI applications
استفاده از GitHub Codespaces و مدل‌ها Using GitHub Codespaces and models

1. نمای کلی RAG 1. RAG Overview

راه حل: جمع‌بندی همه موارد Solution: Putting it all together
دمو: استفاده از پایگاه داده وکتور Demo: Using a vector database
مقدمه‌ای بر کاربرد مدل‌های زبان بزرگ (LLM) Introduction to LLM usage
دمو: تولید امبدینگ (Embedding) Demo: Generating an embedding
چالش: گردآوری همه چیز Challenge: Putting it all together
معماری اپلیکیشن RAG (تولید پاسخ با استناد) Architecture of a RAG app
دمو: فراخوانی یک LLM Demo: Calling an LLM
مقدمه‌ای بر مدل‌های جاسازی Introduction to embedding models
مقدمه‌ای بر پایگاه داده‌های برداری Introduction to vector databases

فراتر از مبانی 2. Beyond the Basics

روش‌های مختلف مقایسه بردارها Different ways to compare vectors
چالش: ورود داده‌های تغییر یافته Challenge: Altered data ingestion
مدل‌های مختلف تعبیه Different embedding models
دمو: افزودن قابلیت مشاهده‌پذیری به RAG Demo: Adding observability to RAG
درک اپلیکیشن RAG شما با مشاهده‌پذیری Understanding your RAG app with observability
چالش: مقایسه نتایج Challenge: Comparing results
راه حل: مدل‌های جاسازی مختلف Solution: Different embedding models
بهینه‌سازی فرآیند دریافت داده‌های خود را آغاز کنید Begin optimizing your data ingestion
چالش: مدل‌های مختلف جاسازی (Embedding) Challenge: Different embedding models
راهکار: تغییر جریان داده Solution: Altered data ingestion
راه حل: مقایسه نتایج Solution: Comparing results