Retrieval Augmented Generation (RAG) améliore les réponses des grands modèles de langage (LLM) en récupérant les données pertinentes des bases de connaissances - souvent privées, récentes ou spécifiques à un domaine - et en les utilisant pour générer des réponses plus précises et mieux fondées. Dans ce cours, vous apprendrez à construire des systèmes RAG qui connectent les LLM à des sources de données externes. Vous explorerez les composants de base tels que les extracteurs, les bases de données vectorielles et les modèles de langage, et appliquerez des techniques clés au niveau des composants et du système. Grâce à un travail pratique avec des outils de production réels, vous acquerrez les compétences nécessaires pour concevoir, affiner et évaluer des pipelines RAG fiables - et vous adapter à de nouvelles méthodes au fur et à mesure que le domaine progresse. Au cours des cinq modules, vous effectuerez des travaux de programmation pratiques qui vous guideront dans la construction de chaque partie centrale d'un système RAG, depuis les prototypes simples jusqu'aux composants prêts à être mis en production.

Grâce à des laboratoires pratiques, vous : - Construisez votre premier système RAG en écrivant des fonctions de recherche et d'augmentation de l'invite et en passant des entrées structurées dans un LLM ; - Mettez en œuvre et comparez des méthodes de recherche comme la recherche sémantique, BM25, et Reciprocal Rank Fusion pour voir comment chacune affecte les réponses LLM ; - Mettez à l'échelle votre système RAG à l'aide de Webster et de Webster. - Développez un chatbot spécifique à un domaine pour un magasin de vêtements fictif qui répond aux FAQ et fournit des suggestions de produits basées sur un ensemble de données personnalisé - Améliorez la fiabilité du chatbot en gérant les défis du monde réel tels que la tarification dynamique et en enregistrant les interactions des utilisateurs pour le contrôle et le débogage. - Développer un chatbot spécifique à un domaine en utilisant des LLM open-source hébergés par Together IA pour un magasin de vêtements fictif qui répond aux FAQ et fournit des suggestions de produits basées sur un ensemble de données personnalisé. Vous appliquerez vos compétences en utilisant des données du monde réel provenant de domaines tels que les médias, les soins de santé et le commerce électronique. À la fin du cours, vous combinerez tout ce que vous avez appris pour mettre en œuvre un système RAG entièrement fonctionnel et plus avancé, adapté aux besoins de votre projet.