Návrh Školení

Vstup do Retrieval-Augmented Generace (RAG)

  • Co je RAG a proč je důležité pro podnikovou AI
  • Složky systému RAG: retriever, generator, úložiště dokumentů
  • Srovnání s samostatnými LLMs a vektorovým vyhledáváním

Nastavení RAG potrubí

  • Instalace a konfigurace Haystack nebo podobných frameworků
  • Zařazování dokumentů a předzpracování dat
  • Připojení retrieverů k vektorovým databázím (např. FAISS, Pinecone)

Fine-Tuning Retriever

  • Výuka hustých retrieverů pomocí odborných dat
  • Použití sentence transformerů a kontrastivního učení
  • Hodnocení kvality retrieveru s přesností top-k

Fine-Tuning Generator

  • Výběr základních modelů (např. BART, T5, FLAN-T5)
  • Učení podle instrukcí vs. nadzorované fine-tuning
  • Metody LoRA a PEFT pro efektivní aktualizace

Hodnocení a optimalizace

  • Metry pro hodnocení výkonu RAG (např. BLEU, EM, F1)
  • Zpoždění, kvalita vyhledávání a snížení halucinací
  • Sledování experimentů a iterativní zlepšení

Implementace a integrace do skutečného světa

  • Implementace RAG v interních vyhledávačích a chatbotech
  • Zabezpečení, přístup k datům a záležitosti správy
  • Integrace s API, dashboards nebo znalostními portály

Případové studie a nejlepší praktiky

  • Podnikové případy použití v finančním sektoru, zdravotnictví a právě
  • Správa odchylky od odborného pole a aktualizace znalostní báze
  • Časově blízká směrnice v systémech LLM s doplňujícím vyhledáváním

Souhrn a další kroky

Požadavky

  • Poznání konceptů zpracování přirozeného jazyka (NLP)
  • Zkušenosti s transformačními jazykovými modely
  • Znalost Python a základních pracovních postupů strojového učení

Cílová skupina

  • Inženýři NLP
  • Týmy pro správu znalostí
 14 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie