jjhgwx

Khi xây dựng hệ thống RAG (Retrieval-Augmented Generation: Tạo sinh tăng cường truy xuất) dựa trên AI tạo sinh hoặc LLM mà không đạt được hiệu suất mong muốn và không có giải pháp thích hợp, thì phải làm sao?

Khóa học này sẽ trình bày các phương pháp cải thiện hiệu suất RAG dựa trên lý thuyết Cognitive Load (Tải trọng nhận thức). Thông qua khóa học này, bạn có thể hiểu được giới hạn của cửa sổ ngữ cảnh LLM và cách quản lý Cognitive Load một cách hiệu quả trong hệ thống RAG. Đây là một khóa học lý thuyết cấp độ thực tiễn, bao gồm các chủ đề như kích thước và thiết kế cấu trúc Chunk, kỹ thuật tạo Chunk chất lượng cao, tối ưu hóa động, đánh giá hiệu suất và các kỹ thuật thực chiến.

arigaram

Kỹ thuật quản lý tải nhận thức vượt giới hạn hiệu suất RAG

Tôi vui vì buổi học зда như đã bổ ích.

컨텍스트창관리

chunk전략설계

rag시스템구축

llm성능평가및튜닝

동적최적화

입문

초급

중급이상

챗지피티

ChatGPT

대규모 언어 모델

검색증강생성

Generative AI

[Cơ bản 1] Giới thiệu khóa học và các khái niệm cơ bản

# Thực hành lập trình code [Cơ bản 1]

[Cơ bản 2] Giới hạn của cửa sổ ngữ cảnh và token

# Thực hành lập trình code [Cơ bản 2]

# [Cơ bản 3] Chiến lược Chunking: Kích thước và cấu trúc của Chunk

# Bổ sung cho [Cơ bản 3]

# Thực hành lập trình [Cơ bản 3]

[Cơ bản 4] Kỹ thuật tạo chunk chất lượng cao

# Thực hành lập trình [Cơ bản 4]

[Cơ bản 5] Tích hợp Pipeline RAG Giai đoạn 1: Tiền xử lý

# Thực hành lập trình code [Cơ bản 5]

# [Cơ bản 6] Tích hợp Pipeline RAG Giai đoạn 2: Truy xuất (Tìm kiếm độ tương đồng và Lọc)

[Cơ bản 6] Luyện tập triển khai code

[Cơ bản 7] Tích hợp Pipeline RAG Giai đoạn 3: Tái cấu trúc Chunk và Thiết kế lại Prompt

# [Cơ bản 7] Luyện tập triển khai code

[Cơ bản 8] 4 bước tích hợp RAG Pipeline: Tạo câu trả lời LLM và xử lý hậu kỳ

# Thực hành lập trình [Cơ bản 8]

[Cơ bản 9] 5 giai đoạn tích hợp RAG Pipeline: Chiến lược kiểm tra Hallucination và tái đầu vào

[Bài 9] Luyện tập viết code cơ bản

# [Cơ bản 10] Thực hành tích hợp pipeline RAG: Xây dựng hệ thống RAG trả lời các câu hỏi đơn giản

[Nâng cao 1] Tối ưu hóa động: Đánh giá độ phức tạp của câu hỏi

# Thực hành lập trình code của [Nâng cao 1]

# [Nâng cao 2] Tối ưu hóa động: Thuật toán điều chỉnh kích thước chunk động

# Thực hành lập trình code [Nâng cao 2]

# [Nâng cao 3] Tối ưu hóa động: Điều chỉnh tham số tóm tắt thích ứng

# Thực hành lập trình code [Nâng cao 3]

# [Nâng cao 4] Tối ưu hóa động: Quản lý tích lũy ngữ cảnh trong hội thoại đa lượt

[Nâng cao 4] Thực hành viết code

# [Nâng cao 5] Tối ưu hóa động: Thiết kế giám sát hệ thống và vòng lặp phản hồi

# Thực hành lập trình code [Nâng cao 5]

# [Nâng cao 6] Đánh giá hiệu suất: Đo lường Recall và Precision

# Thực hành lập trình code [Nâng cao 6]

# [Nâng cao 7] Đánh giá hiệu suất: Phân tích độ trễ và phân tích chi phí

# Thực hành lập trình code [Nâng cao 7]

# [Nâng cao 8] Đánh giá hiệu suất: Chỉ số hiệu quả sử dụng token

# Thực hành lập trình code [Nâng cao 8]

# [Nâng cao 9] Đánh giá hiệu suất: Phương pháp luận đánh giá mức độ hài lòng của người dùng

# [Nâng cao 10] Đánh giá hiệu suất: Xác minh chiến lược thông qua A/B Testing

# [Nâng cao 10] Thực hành triển khai code

# [Nâng cao 11] Triển vọng công nghệ: Nghiên cứu tối ưu hóa chunk hoàn toàn tự động

# [Nâng cao 12] Triển vọng công nghệ: Tích hợp bộ nhớ dài hạn

# Thực hành viết code [Nâng cao 12]

# [Nâng cao 13] Triển vọng công nghệ: Kịch bản RAG dựa trên tài liệu quy mô lớn

# Thực hành viết code [Nâng cao 13]

# [Nâng cao 14] Triển vọng công nghệ: Xử lý thông tin đa phương thức