ZerotoMastery – AI 工程训练营：法学硕士的检索增强生成 (RAG)

MP4 |视频：h264，1920×1080 |音频：AAC、44.1 KHz、2 Ch
类型：电子学习 |语言： 英语 |时长：172 节课 (18h 17m)

你将学到什么

• 将生成式 AI 模型与检索增强生成相结合，构建更智能的 AI 系统
• 使用 OpenAI API 生成文本和处理非结构化数据
• 掌握 FAISS 在海量数据集中进行高效相似性搜索
• 应用及时的工程技术以获得最佳的 AI 响应
• 构建真实世界的 AI 项目，例如聊天机器人和财务分析工具
• 探索先进的 RAG 概念，例如多模式和代理 RAG

什么是人工智能工程师？

• 简单来说，人工智能工程师负责人工智能应用程序的整个生命周期，即以人工智能为核心的应用程序。人工智能工程师
• 采用人工智能模型（包括大型语言模型），并根据需要对其进行自定义。
• （如果您想要长版本，请在此处查看我们的博客文章）
• 这需要从使用自定义数据集构建模型到训练和调整模型，再到使用云技术部署模型和扩展模型等一切内容。
• 这个角色正在像野火一样发展，但它仍在不断发展，并且毫无疑问会随着 AI 格局的变化而继续发展。

什么是检索增强生成 (RAG)？

您有没有想过为什么有些人工智能系统会感觉受到限制，给出的答案看起来有点通用或偏离目标？嗯，那是因为他们仅限于训练数据中的知识。
而且数据量很大。但这还不是全部。它不包含私有数据，也不包含自模型训练以来创建的最新数据。

检索增强生成（RAG）通过用私有信息或新信息补充人工智能模型来解决这个问题。
RAG 不是仅仅依赖于训练过的内容，而是从数据库或文档中检索最新的相关信息。

其工作原理如下：系统首先找到与给定问题最相关的信息（检索）。然后，它使用语言模型根据该信息生成响应（生成）。这就是为什么它被称为检索增强生成！

其结果是人工智能结合了两方面的优点：实时访问外部知识和清晰表达外部知识的能力。

让我们举个例子。

想象一下：您正在浏览一家服装店的网站，寻找符合您尺寸和喜欢颜色的特定夹克，但您不确定它是否有货。由 RAG 提供支持的聊天机器人可以让这一切变得毫不费力，而无需点击无尽的过滤器。

当你问“你有中号的蓝色夹克吗？” RAG 系统从商店的数据库中检索实时库存数据。它可以找到确切的详细信息，例如附近商店的库存情况或预计的交货日期，这些信息不会出现在人工智能模型的训练数据中。然后它使用该信息生成有用的响应：“是的，我们有库存！您可以在我们的市中心地点取货或在周五之前交付。”

这种动态、准确的交互让购物变得更加轻松快捷，确保您轻松获得所需的答案。

RAG 越来越多地用于人工智能应用程序，例如聊天机器人、研究工具和数据分析系统，其中准确性和上下文至关重要。这是使人工智能在复杂场景中更加可靠和有用的实用方法。

为什么选择这个 RAG 课程？

嗯，因为这是最好、最新、实用的在线 AI 工程训练营课程，它教您现实世界的 RAG 技能，并让您亲自动手，以便在现实世界中真正使用您的技能。

但我们当然有偏见。因此，这里详细介绍了 RAG 训练营课程的内容，以便您做出自己的决定

• 检索系统基础：本节为理解如何从大型数据集中搜索和检索信息奠定了基础。您将学习如何准备用于检索的文本数据，探索不同的检索模型（布尔、向量空间、概率），并了解索引、查询和排名的概念。目标是让您具备在海量数据集中高效查找相关信息的技能。
• 生成模型的基础知识：本节以检索概念为基础，介绍使用 AI 生成文本的原理。您将了解 Transformer 架构，它彻底改变了自然语言处理，以及 Transformer 中的注意力机制如何让模型专注于输入中最相关的部分。您还将了解这些模型的数据准备和训练技术。
• RAG 简介：T本节介绍了检索增强生成的核心概念，解释了它如何结合检索和生成模型的优势来创建更准确、上下文相关和全面的响应。您将了解基本的 RAG 架构，并了解它为何在各种 AI 应用中变得越来越重要。
• 使用 OpenAI API：本部分重点教您如何使用 OpenAI 的 API 来访问和利用其强大的 AI 模型，特别是文本生成和图像处理。您将了解如何获取 API 密钥、设置环境、制作有效的提示、调整参数以及了解系统提示对 AI 行为的影响。
• 采用 OpenAI 实施的 RAG：本部分汇集了您迄今为止学到的所有内容，教您如何使用 OpenAI 模型构建功能齐全的 RAG 系统。您将集成检索和生成组件，探索多模式 RAG 等高级 RAG 概念，并使用 OpenAI API 创建能够处理复杂任务的智能系统。
• 处理非结构化数据：本节深入探讨处理非结构化数据的挑战和技术，非结构化数据构成了现实世界信息的绝大多数。您将学习如何处理和提取各种格式的信息，例如 PDF、Word 文档、PowerPoint 演示文稿、EPUB、图像和 Excel 数据。本部分为您提供了解锁隐藏在非结构化数据中的价值的工具。
• 多模态 RAG：基于您对 RAG 的理解，本节介绍多模态 RAG 的概念，它扩展了 RAG 的功能，以处理来自多种模态的数据，例如文本和图像。您将学习如何构建可以集成不同数据类型的系统，以生成更丰富、更符合上下文的响应。
• 代理 RAG：本节介绍代理 RAG 的概念，重点关注构建能够与用户交互、处理任务和自主决策的 AI 代理。该课程涵盖代理状态管理、工作流程以及将检索和生成集成到代理系统中。本节代表了 RAG 开发的前沿，并探讨了 AI 代理如何动态响应用户请求并完成复杂的任务。