با ظهور هوش مصنوعی و نیاز روزافزون به تولید محتوا و پاسخ‌های دقیق، سیستم‌های Retrieval-Augmented Generation (RAG) جایگاه ویژه‌ای پیدا کرده‌اند. این دوره از O’Reilly در نسخه ۲۰۲۴/۷ به شما کمک می‌کند تا با روش‌های مدرن ترکیب بازیابی اطلاعات و تولید زبان طبیعی آشنا شوید و پروژه‌های عملی و کاربردی خود را پیاده‌سازی کنید.

در انتهای این مقاله با لینک دانلود رایگان و گام‌به‌گام راه‌اندازی محیط عملی آشنا خواهید شد.

• مبانی و معماری RAG: نحوه ادغام موتورهای جستجو با مدل‌های زبان بزرگ.
• پیکربندی و استقرار سیستم‌های RAG با استفاده از فریم‌ورک‌های محبوب مانند LangChain و Haystack.
• پردازش و ایندکس‌گذاری داده‌های متنی در مخازن مختلف (SQL، NoSQL، vectordb).
• بهینه‌سازی عملکرد با تنظیم پرامپت‌ها و پایپ‌لاین‌های بازیابی.
• استفاده از مدل‌های رایگان و متن‌باز (مانند Llama و Falcon) و مقایسه با مدل‌های ابری.
• چگونگی سنجش کیفیت خروجی و پیاده‌سازی معیارهایی مانند Exact Match و Mean Reciprocal Rank.
• پیاده‌سازی نمونه‌های عملی سامانه چت‌بات، سیستم پاسخگویی هوشمند و داشبورد تحلیلی.

برای بهره‌برداری کامل از این دوره، نیاز است:

• آشنایی پایه‌ای با پایتون و ساختارهای داده.
• درک اولیه از مفاهیم یادگیری ماشین و مدل‌های زبانی.
• آشنایی با پایگاه‌های داده و مفاهیم ایندکس‌گذاری.
• دسترسی به یک محیط توسعه مانند Jupyter Notebook یا VS Code.

با اتمام این دوره، قادر خواهید بود:

• سیستم‌های پرسش و پاسخ پیشرفته بسازید که در دامنه‌های پزشکی، حقوقی، مالی و آموزشی پاسخ‌های مرتبط ارائه دهند.
• محتوا را در حجم انبوه ایندکس و بازیابی کنید تا نظم و سرعت پاسخگویی افزایش یابد.
• هزینه‌های زیرساختی را با استفاده از مدل‌های متن‌باز کاهش دهید.
• در پروژه‌های تحقیقاتی و صنعتی نقش کلیدی در طراحی معماری‌های ترکیبی داشته باشید.

• بخش ۱: معرفی RAG و تاریخچه توسعه آن.
• بخش ۲: آماده‌سازی داده‌ها، پاکسازی و ایندکس‌گذاری.
• بخش ۳: پیاده‌سازی موتور بازیابی با استفاده از Elasticsearch و Pinecone.
• بخش ۴: اتصال بازیابی به مدل زبان (OpenAI API و مدل‌های متن‌باز).
• بخش ۵: راه‌اندازی پایپ‌لاین، مدیریت خطا و بهینه‌سازی پرامپت.
• بخش ۶: ارزیابی عملکرد و مانیتورینگ مدل‌ها در محیط تولید.
• بخش ۷: معرفی ابزارهای DevOps برای استقرار خودکار و مقیاس‌پذیری.

در این بخش به یک نمونه ساده بازیابی-تولید نگاهی می‌اندازیم:

from langchain import RetrievalQA
from langchain.llms import OpenAI
from langchain.vectorstores import Chroma

# بارگذاری ایندکس
vectordb = Chroma("../chroma_db")
retriever = vectordb.as_retriever(search_type="mmr", search_kwargs={"k": 5})

# تنظیم مدل زبان
llm = OpenAI(model_name="gpt-3.5-turbo")

# ایجاد سامانه RAG
qa = RetrievalQA.from_chain_type(llm=llm, chain_type="stuff", retriever=retriever)
print(qa.run("چگونه در زمان واقعی سیستم بازیابی را به روز کنم؟"))

این کد نشان می‌دهد چگونه می‌توان با چند خط برنامه یک پروژه RAG راه‌اندازی کرد و در کسری از ثانیه پاسخ‌های مرتبط به دست آورد.

دوره O’Reilly ۲۰۲۴/۷: تسلط بر سیستم‌های RAG یک فرصت بی‌نظیر است تا مهارت‌های خود در حوزه هوش مصنوعی زبان‌محور را ارتقا دهید. با دانلود رایگان این دوره، می‌توانید به اسلایدها، مثال‌های کد و تمرین‌های عملی دسترسی داشته باشید و در پروژه‌های واقعی از آن بهره ببرید.

برای دانلود رایگان و شروع سریع، روی لینک زیر کلیک کنید و محیط توسعه خود را آماده نمایید:

دانلود رایگان دوره O’Reilly ۲۰۲۴/۷