Descrição
O curso da NVIDIA, Construindo Agentes RAG com LLMs, aprofunda-se na evolução revolucionária dos grandes modelos de linguagem (LLMs) e sua aplicação em sistemas baseados em recuperação. Esses modelos aumentam a produtividade ao possibilitar conversas informadas através da interação com diversas ferramentas e documentos. O curso é voltado para indivíduos ansiosos para explorar o potencial dos LLMs, focando na implementação prática e na implementação eficiente para gerenciar as demandas dos usuários e dos modelos de aprendizado profundo.
Ler mais
Os participantes obterão insights sobre técnicas avançadas de orquestração, incluindo raciocínio interno, gestão de diálogo e estratégias eficazes de ferramentas. O curso tem como objetivo ensinar os participantes a compor um sistema LLM que interaja de forma previsível com os usuários, aproveitando componentes de raciocínio internos e externos. Também abrange o design de sistemas de gestão de diálogo e raciocínio documental que mantêm informações de estado e estrutura.
O curso inclui tópicos como Interfaces de Inferência LLM, Design de Pipeline com LangChain, Gradio e LangServe, Gestão de Diálogo com Estados em Execução e Trabalhando com Documentos. Os participantes aprenderão a utilizar embeddings para similaridade semântica e guardrailing, e implementar armazenamentos vetoriais para recuperação eficiente de documentos. Ao final do workshop, os participantes terão uma compreensão sólida dos agentes RAG e das ferramentas necessárias para desenvolver suas próprias aplicações LLM.
O curso é adequado para aqueles com conhecimento introdutório em aprendizado profundo, familiaridade com PyTorch e aprendizado por transferência, e experiência intermediária em Python. Ele oferece uma compreensão abrangente dos agentes RAG, equipando os participantes com as habilidades para desenvolver e implementar sistemas LLM avançados de forma eficaz.
- CategoriaTreinamento corporativo e e-learning
- Modelo de preçosGrátis
Recursos principais de NVIDIA Construindo Agentes RAG com LLMs
Compor sistemas LLM com raciocínio interno e externo
Projetar sistemas de gestão de diálogo
Aproveitar modelos de embedding para consultas de similaridade
Implementar agentes RAG sem ajuste fino
Explorar interfaces de inferência LLM
Projetar pipelines com LangChain, Gradio e LangServe
Gerenciar estados de diálogo e integrar extração de conhecimento
Utilizar embeddings para similaridade semântica
Como usar NVIDIA Construindo Agentes RAG com LLMs?
Configurar: Preparar o ambiente para o workshop
Usar: Explorar interfaces de inferência LLM e microserviços
Otimizar: Projetar pipelines LLM usando LangChain, Gradio e LangServe
Avaliar: Implementar armazenamentos vetoriais para recuperação eficiente de documentos
Casos de uso de NVIDIA Construindo Agentes RAG com LLMs
- Design de Sistema de Diálogo
- Recuperação de Conteúdo
- Desenvolvimento de Aplicações LLM
- Similaridade Semântica
- Extração de Conhecimento
