آموزش RAG: دسترسی چت‌جی‌پی‌تی و مدل‌های زبانی بزرگ به دانش سفارشی - آخرین آپدیت

سرفصل ها و درس ها

1-مقدمه‌ای بر این دوره و پلتفرم یودمی Introduction to this course and Udemy platform

• مقدمه‌ای بر دوره Introduction to the course

• مطالب دوره Course Material

1-مقدمه‌ای بر هوش مصنوعی مولد Introduction to Generative AI

• مبانی هوش مصنوعی مولد و نقش RAGها Fundamentals of Generative AI and role of RAGs

• اصطلاحات کلیدی هوش مصنوعی مولد و GAW Key Terms of Generative AI and GAW

1-مقدمه‌ای بر مدل‌های زبان بزرگ (LLM) Introduction to Large Language Models (LLM)

• مقدمه‌ای بر مدل‌های زبان بزرگ (LLM) Introduction to Large Language Models (LLM)

• توسعه مدل پایه LLM و LLM آموزش دیده با دستورالعمل Development of an LLM_Base Model and Instruction Tuned LLM

• محدودیت‌های LLMs Limitations of LLMs

• چگونه توهمات LLM را کاهش دهیم How to mitigate LLM hallucinations

1-دسترسی و استفاده از مدل‌های اصلی زبان بزرگ (LLM) Access and use of the main Large Language Models (LLMs)

• معروف‌ترین مدل‌های زبان (LLM) The best-known language models (LLMs)

• مقدمه‌ای بر ChatGPT Introduction to ChatGPT

• تمرین عملی: شروع به کار با ChatGPT Hands-on Lab: Getting started with ChatGPT

• دسترسی و عملیات API OpenAI OpenAI API Access and Operation

1-بهبود LLMs Improving LLMs

• تکنیک‌هایی برای بهبود عملکرد مدل Techniques to improve model performance

• تکنیک‌های یادگیری بدون داده و کم داده Técnicas de Zero Shot Learning y Few Shot Learning

• تکنیک تولید تقویت شده با بازیابی Retrievla Augmented Generation Technique

• تکنیک RAG با گراف‌های دانش RAG Technique with Knowledge Graphs

• مدل‌های سفارشی و نحوه توسعه آن‌ها Customized models and how to develop them

• ملاحظات مهم هنگام اعمال تکنیک‌های بهینه‌سازی مدل Important considerations when applying mod optimization techniques

1-مبانی RAGها Fundamentals of RAGs

• محدودیت‌های LLMs و ارائه زمینه و RAGها به عنوان ابزاری برای پشتیبانی از LLMs Limitations of LLMs and proposal of the context and RAGs as a tool to support LL

• مزایای RAGها و ملاحظات مربوطه Benefits of RAGs and relevant considerations

1-کاربردهای RAGها Applications of RAGs

• کاربرد RAGها در یک مورد استفاده واقعی Application of RAGs in a real use case

• کاربردهای RAGها در زمینه‌ها و موارد استفاده مختلف Applications of RAGs in different fields and use cases

• پروژه RAG واقعی در تولید از ابتدا تا انتها Real RAG project in production from start to finish

1-ابزارهایی برای توسعه RAG Tools for the development of a RAG

• ابزارها و کتابخانه‌ها برای توسعه RAGها Tools and libraries for the development of RAGs

1-GPTهای سفارشی Custom GPTs

• مبانی GPTهای سفارشی به عنوان RAGها Basics of CustomGPTs as RAGs

• توسعه GPT سفارشی خودمان Developing our own customized Custom GPT

• آگاه سازی GPTهای سفارشی Giving awareness to CustomGPTs

• انواع دانش من و تجزیه و تحلیل پرس و جوها Types of My Knowledge and Analyzing queries

• ملاحظات مهم هنگام کار با اسناد Important considerations when working with documents

1-Langchain Langchain

• مقدمه‌ای بر LangChain Introduction to LangChain

• ارائه دسترسی به داده‌های خارجی از طریق شاخص‌های LangChain Providing access to external data through LangChain Indexes

1-اجزای RAG Components of the RAG

• اجزا و معماری RAG RAG components and architecture

• خط لوله ایندکس گذاری و خط لوله RAG Indexing Pipeline y del Rag Pipeline

• آزمایشگاه_اضافه کردن زنجیره QA، فروشگاه برداری و بارگذار PD Lab_Adding QA Chain, Vector Store and PD Loader

• آزمایشگاه_اضافه کردن جداکننده متن و توابع تعبیه OpenAI Lab_Adding Text Splitter and OpenAI Embeddings

• تمرین عملی: طراحی دستیار سفارشی Practical Exercise: Designing the customized wizard

• حل مسئله: طراحی دستیار سفارشی Solution: Customized wizard design

1-Flowise چارچوب مناسب برای توسعه RAGها Flowise the perfect framework for the development of RAGs

• مقدمه‌ای بر Flowise Introduction to Flowise

• ویژگی‌های Flowise Flowise features

• نصب Flowise Installation of Flowise

• شروع به کار با Flowise Getting started with Flowise

• تمرین عملی: توسعه یک ChatFlow پایه Practical Exercise: Developing a Basic ChatFlow

• حل مسئله: توسعه یک ChatFlow پایه Solution: Developing a Basic ChatFlow

1-خط لوله ایندکس گذاری Indexing Pipeline

• خط لوله ایندکس گذاری RAGها Indexing Pipeline of RAGs

• استخراج داده از منابع مختلف با LlamaIndex و Langchain Data extraction from different sources with LlamaIndex and Langchain

1-تکه تکه کردن سند Document Fragmentation

• اهمیت تکه تکه کردن و ملاحظات مهم Importance of fragmentation and important considerations

• انواع تکه تکه کننده‌ها Types of fragmenters

• مثال‌های عملی از زمان پیاده سازی هر نوع تکه تکه کننده Practical examples of when to implement each fragmenter type

1-توابع تعبیه Embeddings

• توابع تعبیه چیست و چگونه کار می‌کنند What are embeddings and how they work

• آزمایشگاه مدل‌های مختلف تعبیه در Flowise LAb Different embedding models in Flowise

• مدل‌های مختلف تعبیه و نحوه انتخاب آن‌ها Different embedding models and how to select them

1-پایگاه داده‌های برداری Vector Databases

• عملکرد پایگاه داده‌های برداری Operation of Vector Databases

• مبانی Pinecone Pinecone Fundamentals

• اضافه کردن فروشگاه برداری Pinecone Adding the Pinecone Vector Store

• بارگذاری توابع تعبیه و شاخص‌ها از Pinecone Loading Embeddings and Indexes from Pinecone

• انواع مختلف پایگاه داده‌های برداری Different types of Vector Databases

• زنجیره QA بازیابی چندگانه با چندین پایگاه داده برداری همزمان Multi Retrieval QA Chain con Multiples BD Vectoriales Simultaneas

• Vectara یک پایگاه داده برداری و RAG به عنوان یک سرویس Vectara A Vector Database and a RAG as a Service

• نحوه انتخاب نوع پایگاه داده برداری مناسب How to choose the type of Vector Database that fits best

• تمرین عملی: توسعه شاخص‌ها و توابع تعبیه برای Pinecone Practical Exercise: Developing Indexes and Embeddings for Pinecone

• حل مسئله: توسعه شاخص‌ها و توابع تعبیه برای Pinecone Solution: Development of Indexes and Embeddings for Pinecone

1-خط لوله RAG RAG Pipeline

• عملکرد و اجزای خط لوله RAG Operation and components of the RAG Pipeline

• تمرین عملی توسعه خط لوله RAG با Flowise Lab Pract Developing the RAG Pipeline with Flowise

• پایگاه داده‌های برداری پایدار، شاخص‌های زمانی و داده‌های کوچک Persistent vector DBs, time indexes and small data

• تمرین عملی: توسعه LLM سفارشی Practical Exercise: Development of a Customized LLM

• حل مسئله: توسعه LLM سفارشی Solution: Development of a customized LLM

1-جستجوی اطلاعات و بازیابی Information search and retrieval

• مبانی فرآیند بازیابی Fundamentals of the Retrieval process

• روش‌های مختلف بازیابی Different recovery methods

• فرآیند نهایی افزایش و تولید Final augmentation and generation process

1-پروژه عملی: دستیار چت بات شخصی از ابتدا تا انتها Hands-on Project: Personalized Chatbot Assistant from Start to Finish

• مقدمه‌ای بر پروژه و تمرین عملی Introduction to the Project and Practical Exercise

• وب اسکرپر، Pinecone و زنجیره QA بازیابی مکالمه‌ای Web Scrapper, Pinecone y Conversational Retrieval QA Chain

• بهبود وب اسکرپر و جلوگیری از توهمات مدل Improving the Web Scrapper and avoiding model hallucinations

1-RAGها در محل: بهترین متحد برای حفاظت از داده‌ها و حریم خصوصی RAGS on-site: the best ally for data protection and privacy

• دانلود و راه‌اندازی مدل با Docker، LocalAI و GPT4All Model download and initialization with Docker, LocalAI and GPT4All

• استفاده از مدل LLM متن باز از Flowise Using the LLM Open Source model from Flowise

• پروژه پیشرفته با LLama2 Local AI، Faiss و توابع تعبیه Local AI Advanced Project with LLama2 Local AI, Faiss and Local AI Embeddings

1-ارزیابی عملکرد RAG RAG performance evaluation

• ارزیابی RAG و معیارهای ارزیابی RAG Evaluation and Evaluation Metrics

• RAGAS برای ارزیابی RAG RAGAS for RAG assessment

• TrueLens RAG Triad برای ارزیابی RAG TrueLens RAG Triad for RAG evaluation

• آزمایشگاه عملی در مورد توسعه و ارزیابی RAG با TrueLens Practical Lab on RAG Development and Evaluation with TrueLens