Deskripsi
Kursus NVIDIA, Membangun Agen RAG dengan LLM, menyelami evolusi revolusioner model bahasa besar (LLM) dan penerapannya dalam sistem berbasis pengambilan. Model-model ini meningkatkan produktivitas dengan memungkinkan percakapan yang terinformasi melalui interaksi dengan berbagai alat dan dokumen. Kursus ini dirancang untuk individu yang ingin mengeksplorasi potensi LLM, dengan fokus pada penerapan praktis dan implementasi yang efisien untuk mengelola tuntutan pengguna dan model pembelajaran mendalam.
Baca Selengkapnya
Peserta akan mendapatkan wawasan tentang teknik orkestrasi lanjutan, termasuk penalaran internal, manajemen dialog, dan strategi alat yang efektif. Kursus ini bertujuan untuk mengajarkan peserta bagaimana menyusun sistem LLM yang berinteraksi secara prediktif dengan pengguna dengan memanfaatkan komponen penalaran internal dan eksternal. Ini juga mencakup perancangan manajemen dialog dan sistem penalaran dokumen yang mempertahankan informasi status dan struktur.
Kursus ini mencakup topik seperti Antarmuka Inferensi LLM, Desain Pipeline dengan LangChain, Gradio, dan LangServe, Manajemen Dialog dengan Status yang Berjalan, dan Bekerja dengan Dokumen. Peserta akan belajar memanfaatkan embedding untuk kesamaan semantik dan pengawasan, serta mengimplementasikan penyimpanan vektor untuk pengambilan dokumen yang efisien. Pada akhir lokakarya, peserta akan memiliki pemahaman yang solid tentang agen RAG dan alat yang diperlukan untuk mengembangkan aplikasi LLM mereka sendiri.
Kursus ini cocok untuk mereka yang memiliki pengetahuan dasar tentang pembelajaran mendalam, akrab dengan PyTorch dan transfer learning, serta pengalaman Python tingkat menengah. Ini menawarkan pemahaman komprehensif tentang agen RAG, membekali peserta dengan keterampilan untuk mengembangkan dan menerapkan sistem LLM yang canggih secara efektif.
- KategoriPelatihan Korporat & E-Learning
- Model HargaGratis
Fitur Inti NVIDIA Membangun Agen RAG dengan LLM
Menyusun sistem LLM dengan penalaran internal dan eksternal
Merancang sistem manajemen dialog
Memanfaatkan model embedding untuk kueri kesamaan
Mengimplementasikan agen RAG tanpa fine-tuning
Mengeksplorasi antarmuka inferensi LLM
Merancang pipeline dengan LangChain, Gradio, dan LangServe
Mengelola status dialog dan mengintegrasikan ekstraksi pengetahuan
Memanfaatkan embedding untuk kesamaan semantik
Cara menggunakan NVIDIA Membangun Agen RAG dengan LLM?
Konfigurasi: Siapkan lingkungan untuk lokakarya
Gunakan: Eksplorasi antarmuka inferensi LLM dan mikroservis
Optimalkan: Rancang pipeline LLM menggunakan LangChain, Gradio, dan LangServe
Evaluasi: Implementasikan penyimpanan vektor untuk pengambilan dokumen yang efisien
Kasus Penggunaan NVIDIA Membangun Agen RAG dengan LLM
- Desain Sistem Dialog
- Pengambilan Konten
- Pengembangan Aplikasi LLM
- Kesamaan Semantik
- Ekstraksi Pengetahuan
