説明
NVIDIAのコース「LLMを用いたRAGエージェントの構築」では、大規模言語モデル（LLM）の革命的な進化と、それらの取得ベースのシステムへの応用について詳しく説明します。これらのモデルは、さまざまなツールや文書とのインタラクションを通じて、情報に基づいた会話を可能にすることで生産性を向上させます。このコースは、LLMの可能性を探求したいと考える個人向けに設計されており、実践的な展開と効率的な実装に焦点を当てて、ユーザーと深層学習モデルの要求に応えることを目指しています。
続きを読む
参加者は、内部推論、対話管理、効果的なツール戦略を含む高度なオーケストレーション技術についての洞察を得ることができます。このコースは、内部および外部の推論コンポーネントを活用して、ユーザーと予測可能にインタラクションするLLMシステムを構成する方法を教えることを目的としています。また、状態と構造情報を維持する対話管理および文書推論システムの設計についても扱います。
コースには、LLM推論インターフェース、LangChain、Gradio、LangServeを用いたパイプライン設計、実行状態を持つ対話管理、文書との連携などのトピックが含まれています。参加者は、意味的類似性とガードレールのために埋め込みを活用し、効率的な文書取得のためにベクトルストアを実装する方法を学びます。ワークショップの終わりまでに、参加者はRAGエージェントと自分自身のLLMアプリケーションを開発するために必要なツールについての確固たる理解を得ることができます。
このコースは、基礎的な深層学習の知識、PyTorchおよび転移学習に対する理解、そして中級レベルのPython経験を持つ方に適しています。RAGエージェントについての包括的な理解を提供し、参加者が高度なLLMシステムを効果的に開発および展開するためのスキルを身につけることができます。
- カテゴリー企業研修・eラーニング
- 料金モデル無料
NVIDIAによるLLMを用いたRAGエージェントの構築の主要機能
内部および外部の推論を用いたLLMシステムの構成
対話管理システムの設計
類似性クエリのための埋め込みモデルの活用
ファインチューニングなしでのRAGエージェントの実装
LLM推論インターフェースの探求
LangChain、Gradio、LangServeを用いたパイプラインの設計
対話状態の管理と知識抽出の統合
意味的類似性のための埋め込みの活用
NVIDIAによるLLMを用いたRAGエージェントの構築の使い方は？
設定: ワークショップのための環境を整える
使用: LLM推論インターフェースとマイクロサービスを探求する
最適化: LangChain、Gradio、LangServeを使用してLLMパイプラインを設計する
評価: 効率的な文書取得のためにベクトルストアを実装する
NVIDIAによるLLMを用いたRAGエージェントの構築の使用例
- 対話システム設計
- コンテンツ取得
- LLMアプリケーション開発
- 意味的類似性
- 知識抽出
