بنیادهای LLM: پایگاه داده های بردار برای ذخیره سازی و بازیابی نسل تقویت شده (RAG)

مدرس Kumaran Ponnambalam

انتشار 2024/02/23

مدت زمان 1h 33m

سطح مناسب همه

فایل تمرینی دارد

آموزش LLM Foundations: Vector Databases for Caching and Retrieval Augmented Generation (RAG)

با افزایش محبوبیت مدل های زبان ، زیرساخت هایی که در اطراف آنها مورد استفاده قرار می گیرد نیز برای کاهش هزینه ها ، ایجاد پاسخ های دقیق و بهبود کارآیی بسیار مهم می شود. بانکهای اطلاعاتی وکتور نقش مهمی در چندین مورد استفاده از LLM برای کمک به کاهش کاستی های LLM ، کاهش هزینه ها و تأخیر دارند. آگاهی از اصول اولیه و برنامه های کاربردی آن برای هر برنامه کاربردی ساختمان مهندس با LLM بسیار مهم است و در این دوره ، کوماران پونامبالام اصول پایگاه داده های بردار و نحوه استفاده از آنها را در ذخیره سازی LLM و نسل بازیابی-اوج (RAG) به شما می آموزد. Kumaran با بحث در مورد اصول پایگاه داده های بردار و برنامه های کاربردی آنها آغاز می شود. وی سپس پایگاه داده های تخصصی را برای ذخیره بردارها بررسی می کند و از پایگاه داده Milvus به عنوان نمونه مرجع استفاده می کند و عملیات خواندن و نوشتن را با پایگاه داده Milvus نشان می دهد. بیاموزید که چگونه از پایگاه داده های بردار برای حافظه پنهان LLM استفاده کنید ، با یک مورد استفاده به عنوان مثال ، به همراه نمونه هایی از موارد استفاده از RAG. سرانجام ، کوماران با بحث در مورد بهینه سازی بانکهای اطلاعاتی بردار نتیجه می گیرد.

Artificial Intelligence (AI) مدل‌های زبان بزرگ (LLM) Vector Databases

Introduction

GenAI with vector databases ()

Course coverage and prerequisites ()

1. Introduction to Vector Databases

What is a vector? ()

Vectorization in NLP ()

Vector similarity search ()

Vector databases ()

Pros and cons of vector databases ()

2. Milvus Database Concepts

Introduction to Milvus DB ()

Milvus architecture ()

Collections in Milvus ()

Partitions in Milvus ()

Indexes in Milvus ()

Managing data in Milvus ()

Query and search in Milvus ()

Set up Milvus and exercise files ()

3. Milvus Database Operations

Create a connection ()

Create databases and users ()

Create collections ()

Insert data into Milvus ()

Build an index ()

Query scalar data ()

Search vector fields ()

Delete objects and entities ()

4. Vector DB for LLM Query Caching

LLMs and caching ()

Prompt caching workflow ()

Set up the Milvus cache ()

Inference process and caching ()

Cache management ()

5. Introduction to Retrieval Augmented Generation (RAG)

LLMs as a knowledge source ()

Introduction to retrieval augmented generation ()

RAG: Knowledge curation process ()

RAG question-answering process ()

Applications of RAG ()

6. Implementing RAG with Milvus

Set up Milvus for RAG ()

Prepare data for the knowledge base ()

Populate the Milvus database ()

Answer questions with RAG ()

7. Vector Databases Best Practices

Choose a vector database ()

Combine vector and scalar data ()

Distance measure considerations ()

Tune vector DB performance ()

Conclusion

Continue with LLMs ()

Ex_Files_LLM_Foundations_1_Cache_Vector_DB_and_RAG.zip (97 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش بنیادهای LLM: پایگاه داده های بردار برای ذخیره سازی و بازیابی نسل تقویت شده (RAG)

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش LLM Foundations: Vector Databases for Caching and Retrieval Augmented Generation (RAG) در 3 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

تبدیل به یک مهندس هوش مصنوعی شوید که سیستم های هوشمند را در مقیاس طراحی، می سازد و به کار می گیرد. این مسیر یادگیری برای مهندسین نرم افزار، دانشمندان داده و متخصصان فناوری که آماده رهبری نوآوری هوش مصنوعی هستند، مناسب است. کارشناسی ارشد LLM، تنظیم دقیق، معماری RAG، پایگاه های داده برداری، استقرار ابر، و شیوه های هوش مصنوعی مسئول. به متخصصی تبدیل شوید که تحقیقات پیشرفته را با راه حل های آماده تولید که ارزش کسب و کار را افزایش می دهد، پیوند می دهد.

آموزش بنیادهای LLM: پایگاه داده های بردار برای ذخیره سازی و بازیابی نسل تقویت شده (RAG) ، ایستگاه شماره 5 در مسیر یادگیری یک مهندس هوش مصنوعی شوید ، است.

مسیر یادگیری یک مهندس هوش مصنوعی شوید

توسعه هوش مصنوعی مولد از مفاهیم پایه تا سیستم های تولید را مسلط کنید. LLM ها، معماری های ترانسفورماتور، پیاده سازی های پیشرفته RAG، پایگاه های داده برداری و استراتژی های استقرار سازمانی را بیاموزید. این مسیر برای توسعه‌دهندگانی که برنامه‌های کاربردی هوشمند، ربات‌های چت، ابزارهای تولید محتوا و راه‌حل‌های مبتنی بر هوش مصنوعی می‌سازند که اطلاعات متنی را در مقیاسی برای نوآوری‌های تجاری تولید و بازیابی می‌کنند، عالی است.

آموزش بنیادهای LLM: پایگاه داده های بردار برای ذخیره سازی و بازیابی نسل تقویت شده (RAG) ، ایستگاه شماره 4 در مسیر یادگیری ایجاد مهارت های مولد هوش مصنوعی برای توسعه دهندگان ، است.

مسیر یادگیری ایجاد مهارت های مولد هوش مصنوعی برای توسعه دهندگان

با این مسیر یادگیری جامع، پتانسیل تولید افزوده بازیابی (RAG) را باز کنید. تکنیک های پیشرفته را برای بهینه سازی RAG مبتنی بر متن از طریق تکه تکه کردن، جاسازی و ابرداده بیاموزید. در ادغام پایگاه‌های داده برداری با مدل‌های زبان بزرگ تسلط پیدا کنید و در RAG چندوجهی مهارت‌های عملی کسب کنید. راه حل های پیشرفته RAG را طراحی، اجرا و ارزیابی کنید تا در هوش مصنوعی پیشرو باشید. سفر خود را برای ارتقای قابلیت های مبتنی بر داده از امروز آغاز کنید.

آموزش بنیادهای LLM: پایگاه داده های بردار برای ذخیره سازی و بازیابی نسل تقویت شده (RAG) ، ایستگاه شماره 4 در مسیر یادگیری Master Retrieval-Augmented Generation (RAG) ، است.