In diesem Kurs beginnen wir mit den Konzepten und der Verwendung von großen Sprachmodellen und untersuchen beliebte LLMs wie OpenAI GPT und Google Gemini. Wir werden Spracheinbettungen und Vektordatenbanken verstehen und das LangChain LLM Framework erlernen, um RAG-Anwendungen zu entwickeln, die die Fähigkeiten von LLMs und LLM Frameworks kombinieren.

Die Fähigkeiten von LLMs müssen nicht auf Werkzeuge wie ChaGPT, Google Gemini oder Anthropic Claude beschränkt bleiben. Sie können die leistungsstarken natürlichen Sprachfähigkeiten von LLMs, die auf Ihre Unternehmensdaten angewendet werden, nutzen, um erstaunliche Automatisierungen und Anwendungen zu erstellen, die als Retrieval Augmented Generation oder RAG-Anwendungen bezeichnet werden. Einige der Schlüsselkomponenten des Kurses sind das Erlernen des Prompt-Engineerings für RAG-Anwendungen, die Arbeit mit Agenten, Tools, Dokumenten, Loadern, Splittern, Output-Parsern usw., die wesentliche Bestandteile von RAG-Anwendungen sind. Die Teilnehmer sollten ein grundlegendes Verständnis der Python-Programmierung und ein grundlegendes Wissen über Large Language Models (LLMs) haben, um das Beste aus diesem Kurs zu machen. Am Ende dieses Kurses werden Sie in der Lage sein, RAG-Anwendungen unter Verwendung von Large Language Models, LangChain und Vektordatenbanken zu entwickeln. Sie werden lernen, effektive Prompts zu schreiben, Modelle und Tokens zu verstehen und Vektordatenbanken zur Automatisierung von Arbeitsabläufen einzusetzen. Sie werden auch die wichtigsten LangChain-Konzepte begreifen, um einfache bis mittelkomplexe RAG-Anwendungen zu erstellen.