RAG Pratique : Construire des applications LLM avec des données sources

La puissance des grands modèles de langage est limitée par leurs données d'entraînement. Ce cours fournit une base pratique en génération augmentée par récupération (RAG), le modèle essentiel pour construire des applications LLM fiables et basées sur des faits. Vous dépasserez la simple injection de prompts et apprendrez à architecturer un pipeline de données complet qui récupère le contexte pertinent avant de générer une réponse. Maîtriser le RAG est crucial pour déployer efficacement les LLM dans des environnements spécifiques à un domaine ou d'entreprise. Ce que vous apprendrez : * Comprendre les composants clés et le flux de travail d'un système de génération augmentée par récupération (RAG). * Appliquer des techniques de préparation des données, de découpage et de création d'embeddings pour une récupération efficace. * Configurer les stratégies de stockage et d'indexation vectorielle pour optimiser la latence et la pertinence de la récupération. * Concevoir des stratégies de récupération robustes, y compris des mécanismes avancés de requêtes et de réordonnancement. * Pratiquer l'ingénierie avancée de prompts pour synthétiser le contexte récupéré en réponses cohérentes et étayées par des sources. * Évaluer la qualité du pipeline RAG en utilisant des métriques clés pour la fidélité, la pertinence et l'utilisation du contexte. Le cours commence par des concepts fondamentaux et passe par les phases d'ingestion et de récupération des données, pour aboutir à des exercices pratiques axés sur la génération et l'assurance qualité. Ce cours est conçu pour les débutants et les développeurs nouveaux dans l'écosystème LLM qui souhaitent passer de la compréhension théorique au développement d'applications pratiques. Aucune expérience préalable des bases de données vectorielles ou de l'apprentissage automatique avancé n'est requise. Commencez à construire votre première application RAG prête pour la production dès aujourd'hui.