Retrieval Augmented Generation (RAG) verbessert die Antworten großer Sprachmodelle (LLM), indem es relevante Daten aus Wissensdatenbanken abruft - oft private, aktuelle oder domänenspezifische - und diese nutzt, um genauere, fundierte Antworten zu generieren. In diesem Kurs lernen Sie, wie Sie RAG-Systeme aufbauen, die LLMs mit externen Datenquellen verbinden. Sie lernen Kernkomponenten wie Retriever, Vektordatenbanken und Sprachmodelle kennen und wenden Schlüsseltechniken sowohl auf der Komponenten- als auch auf der Systemebene an. Durch die praktische Arbeit mit realen Produktionswerkzeugen erlangen Sie die Fähigkeiten, zuverlässige RAG-Pipelines zu entwerfen, zu verfeinern und zu evaluieren - und sich an neue Methoden anzupassen, wenn sich das Feld weiterentwickelt. In fünf Modulen absolvieren Sie praktische Programmieraufgaben, die Sie durch den Aufbau jedes Kernteils eines RAG-Systems führen, von einfachen Prototypen bis zu produktionsreifen Komponenten.

In praktischen Übungen werden Sie: - Ihr erstes RAG-System aufbauen, indem Sie Abfrage- und Prompt-Erweiterungsfunktionen schreiben und strukturierte Eingaben in ein LLM einspeisen; - Abfragemethoden wie semantische Suche, BM25 und Reciprocal Rank Fusion implementieren und vergleichen, um zu sehen, wie sich diese auf LLM-Antworten auswirken. - Skalieren Sie Ihr RAG-System mit Weaviate und einem realen Nachrichtendatensatz - Chunking, Indizierung und Abruf von Dokumenten mit einer Vektordatenbank - Entwickeln Sie einen domänenspezifischen Chatbot für ein fiktives Bekleidungsgeschäft, der FAQs beantwortet und Produktvorschläge auf der Grundlage eines benutzerdefinierten Datensatzes liefert - Verbessern Sie die Zuverlässigkeit des Chatbots, indem Sie reale Herausforderungen wie dynamische Preisgestaltung bewältigen und Benutzerinteraktionen zur Überwachung und Fehlersuche protokollieren. - Entwicklung eines domänenspezifischen Chatbots unter Verwendung von Open Source LLMs, die von Together AI gehostet werden, für ein fiktives Bekleidungsgeschäft, das FAQs beantwortet und Produktvorschläge auf der Grundlage eines benutzerdefinierten Datensatzes liefert. Sie werden Ihre Fähigkeiten anhand realer Daten aus Bereichen wie Medien, Gesundheitswesen und E-Commerce anwenden. Am Ende des Kurses werden Sie alles, was Sie gelernt haben, kombinieren, um ein voll funktionsfähiges, fortgeschrittenes RAG-System zu implementieren, das auf die Bedürfnisse Ihres Projekts zugeschnitten ist.