Percorsi di apprendimento per Professionisti tecnici
RAG System Mastery
Questo percorso di apprendimento introduttivo esplora i sistemi di Retrieval-Augmented Generation (RAG), trattando tecniche RAG di base e avanzate, l’integrazione di LlamaIndex con JavaScript, il preprocessing di dati non strutturati, il RAG potenziato con knowledge graph e le applicazioni multimodali di RAG. Gli studenti acquisiranno esperienza pratica con database vettoriali, dense passage retrieval, riordinamento cross-encoder, costruzione di knowledge graph usando Neo4j e sviluppo di applicazioni RAG pronte per la produzione con framework moderni.
Obiettivi di apprendimento
- Spiegare i principi e l’architettura del Retrieval-Augmented Generation (RAG), distinguendo tra tecniche RAG naive e avanzate.
- Implementare metodi RAG avanzati come l’espansione delle query, il riordinamento cross-encoder e il dense passage retrieval per migliorare il recupero delle informazioni e la generazione delle risposte.
- Costruire e distribuire applicazioni RAG utilizzando LlamaIndex e JavaScript, incluso lo sviluppo full-stack di chatbot e l’integrazione con database vettoriali.
- Precompilare e strutturare dati non strutturati (PDF, HTML, PPTX, immagini) per applicazioni RAG e LLM utilizzando framework specializzati e strategie di chunking.
- Integrare knowledge graph e dati multimodali nei sistemi RAG, sfruttando strumenti come Neo4j e GPT-4 per abilitare workflow complessi di recupero contestuale e raccomandazione.
Pubblico target
Questo percorso è pensato per ingegneri IA, data scientist, sviluppatori software e professionisti tecnici che vogliono specializzarsi nei sistemi RAG per applicazioni reali. È adatto a chi ha esperienza di programmazione di base e desidera costruire, ottimizzare e distribuire soluzioni IA avanzate basate su retrieval-augmented utilizzando strumenti e framework all’avanguardia.