Budowanie agentów AI z LLM, RAG i wykresami wiedzy

W miarę rozwoju sztucznej inteligencji statyczne modele językowe nie wystarczają już do rozwiązywania złożonych problemów w świecie rzeczywistym. Aby zbudować prawdziwie inteligentne systemy, musisz połączyć moc rozumowania dużych modeli językowych (LLM) z dynamicznymi zewnętrznymi źródłami danych. Ten kurs prowadzi od podstawowych koncepcji AI do projektowania systemów agentowych, które mogą pobierać informacje, rozumować nad uporządkowaną wiedzą i podejmować autonomiczne działania. Dowiesz się, jak zintegrować Retrieval-Augmented Generation (RAG) i Knowledge Graphs, aby wyeliminować halucynacje modelu i zapewnić precyzyjne, bogate w kontekst odpowiedzi. Czego się nauczysz: - Zrozum podstawową terminologię LLM, wyszukiwania wektorowego i agentowych przepływów pracy - Wdrażaj Retrieval-Augmented Generation (RAG), aby łączyć modele z zewnętrznymi bazami danych tekstowych - Zaprojektuj wykresy wiedzy, aby reprezentować złożone, uporządkowane relacje dla głębszego rozumowania AI - Skonfiguruj agentów AI, którzy używają wywołań narzędzi i wykonywania funkcji do rozwiązywania wieloetapowych zadań - Zastosuj szybkie wzorce inżynierskie, aby kierować zachowaniem agenta i podejmowaniem decyzji - Ćwicz budowanie architektur hybrydowych, które łączą zalety zarówno wektorowych baz danych, jak i baz danych wykresów Zaczniesz od absolutnych podstaw, ucząc się podstawowych definicji generatywnej AI i struktur wykresów, zanim przejdziesz do przykładów opartych na kodzie pisanym orkiestracji agentów i potoków pobierania. Ten kurs jest przeznaczony dla programistów, entuzjastów danych i profesjonalistów technicznych, którzy są nowi wśród agentów AI i chcą jasnego, krok po kroku wprowadzenia bez konieczności spełnienia zaawansowanych wymagań dotyczących uczenia maszynowego. Zacznij czytać już dziś, aby rozpocząć tworzenie własnych inteligentnych agentów AI opartych na danych.