การสร้างแอปพลิเคชัน RAG ด้วย Atlas Vector Search

ในขณะที่ generative AI ยังคงเปลี่ยนแปลงการพัฒนาซอฟต์แวร์ การรวม large language models เข้ากับข้อมูลที่เป็นกรรมสิทธิ์ของคุณเองถือเป็นสิ่งสำคัญ การใช้ Retrieval-Augmented Generation (RAG) ช่วยให้คุณสามารถอ้างอิงคำตอบของ AI ด้วยข้อมูลที่เป็นจริงและเป็นปัจจุบันโดยไม่ต้องเสียค่าใช้จ่ายในการฝึกฝนโมเดลใหม่ หลักสูตรแบบข้อความนี้จะแนะนำคุณตลอดกระบวนการตั้งค่าและใช้งาน Atlas Vector Search เพื่อขับเคลื่อนการค้นหาอัจฉริยะและเวิร์กโฟลว์ RAG คุณจะได้เรียนรู้ตั้งแต่การทำความเข้าใจคณิตศาสตร์เวกเตอร์พื้นฐานไปจนถึงการออกแบบ semantic search queries และการรวมเข้ากับ modern language models สิ่งที่คุณจะได้เรียนรู้: - เข้าใจแนวคิดหลักของ vector embeddings และ semantic search - กำหนดค่าฐานข้อมูล MongoDB Atlas เพื่อจัดเก็บและทำดัชนีเวกเตอร์ที่มีมิติสูง - สร้างดัชนีการค้นหาเวกเตอร์เพื่อดำเนินการสืบค้นความคล้ายคลึงอย่างมีประสิทธิภาพ - ใช้รูปแบบ RAG เพื่อดึงข้อมูลที่เกี่ยวข้องตามบริบทสำหรับ LLMs - รวมผลลัพธ์การค้นหาเวกเตอร์เข้ากับเวิร์กโฟลว์ prompt engineering - ฝึกสร้างไปป์ไลน์การค้นหาโดยใช้รูปแบบการพัฒนาที่ทันสมัย คุณจะเริ่มต้นด้วยคำจำกัดความพื้นฐานของฐานข้อมูลเวกเตอร์และการดึงข้อมูลเชิงความหมาย ก่อนที่จะเข้าสู่ขั้นตอนการกำหนดค่าจริง ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรและตัวอย่างโค้ดที่ชัดเจน คุณจะได้เรียนรู้วิธีสร้างคิวรีที่เชื่อมต่อฐานข้อมูลของคุณโดยตรงกับเฟรมเวิร์กการประสานงาน AI หลักสูตรนี้ออกแบบมาสำหรับนักพัฒนาซอฟต์แวร์ ผู้ดูแลระบบฐานข้อมูล และผู้ที่ชื่นชอบ AI ที่ยังใหม่กับฐานข้อมูลเวกเตอร์ ไม่จำเป็นต้องมีประสบการณ์ด้าน vector search หรือ machine learning มาก่อน แม้ว่าความคุ้นเคยพื้นฐานกับแนวคิดฐานข้อมูลจะเป็นประโยชน์ก็ตาม เริ่มอ่านวันนี้เพื่อปลดล็อกศักยภาพของ semantic search ในแอปพลิเคชันฐานข้อมูลของคุณ