การสร้างแอปพลิเคชัน GraphRAG ด้วย LlamaIndex

Standard Retrieval-Augmented Generation (RAG) มักจะประสบปัญหาในการเชื่อมโยงข้อมูลจากเอกสารหลายฉบับ การนำ knowledge graphs เข้ามาใช้ใน AI pipelines จะช่วยให้คุณสามารถจับความสัมพันธ์ที่ซับซ้อนและปรับปรุงความแม่นยำของ language models ได้อย่างมาก คอร์สนี้จะสอนวิธีใช้ประโยชน์จาก GraphRAG เพื่อเพิ่มขีดความสามารถในการดึงข้อมูลของคุณ ด้วยการใช้ LlamaIndex คุณจะได้เรียนรู้วิธีการสกัด structured entities จาก unstructured text, สร้างกราฟที่เชื่อมโยงกัน และทำการคิวรีที่มีความแม่นยำสูงและเต็มไปด้วยบริบท ซึ่งมีประสิทธิภาพเหนือกว่าการค้นหาแบบ vector search พื้นฐาน สิ่งที่คุณจะได้เรียนรู้: * เข้าใจแนวคิดพื้นฐานของ RAG, vector databases และ knowledge graphs * สร้างและจัดโครงสร้าง knowledge graphs จากข้อความดิบโดยใช้ LlamaIndex * ปรับใช้กลยุทธ์ hybrid retrieval ที่ผสมผสาน semantic search เข้ากับการท่องไปในกราฟ (graph traversal) * ออกแบบ prompts ที่มีประสิทธิภาพเพื่อการสกัด entity และความสัมพันธ์ที่เชื่อถือได้ * ประยุกต์ใช้แนวคิดพื้นฐานของ agentic AI เพื่อให้เหตุผลเหนือข้อมูลที่เชื่อมโยงกัน คุณจะเริ่มต้นด้วยคำศัพท์ที่จำเป็นและแนวคิดหลักของ AI ก่อนที่จะเข้าสู่บทเรียนเชิงปฏิบัติในรูปแบบข้อความ ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรอย่างละเอียดและ code snippets ที่ชัดเจน คุณจะค่อยๆ สร้าง GraphRAG pipeline ที่สมบูรณ์ คอร์สนี้ออกแบบมาสำหรับนักพัฒนา, data engineers และผู้เริ่มต้นด้าน AI โดยไม่จำเป็นต้องมีประสบการณ์มาก่อนเกี่ยวกับ graph databases หรือ machine learning ขั้นสูง เริ่มอ่านวันนี้เพื่อเปลี่ยนแปลงวิธีที่แอปพลิเคชัน AI ของคุณประมวลผลและดึงข้อมูลที่ซับซ้อน