Beschreibung
Der Kurs von NVIDIA, RAG-Agenten mit LLMs erstellen, befasst sich mit der revolutionären Entwicklung großer Sprachmodelle (LLMs) und deren Anwendung in retrieval-basierten Systemen. Diese Modelle steigern die Produktivität, indem sie informierte Gespräche durch die Interaktion mit verschiedenen Tools und Dokumenten ermöglichen. Der Kurs richtet sich an Personen, die das Potenzial von LLMs erkunden möchten, und konzentriert sich auf die praktische Bereitstellung und effiziente Implementierung zur Bewältigung der Anforderungen von Benutzern und Deep-Learning-Modellen.
Die Teilnehmer erhalten Einblicke in fortgeschrittene Orchestrierungstechniken, einschließlich internem Denken, Dialogmanagement und effektiven Werkzeugstrategien. Der Kurs zielt darauf ab, den Teilnehmern beizubringen, wie man ein LLM-System erstellt, das vorhersehbar mit Benutzern interagiert, indem interne und externe Denkkomponenten genutzt werden. Er behandelt auch das Design von Dialogmanagement- und Dokumentationssystemen, die Zustands- und Strukturinformationen beibehalten.
Der Kurs umfasst Themen wie LLM-Inferenzschnittstellen, Pipeline-Design mit LangChain, Gradio und LangServe, Dialogmanagement mit laufenden Zuständen und die Arbeit mit Dokumenten. Die Teilnehmer lernen, Embeddings für semantische Ähnlichkeit und Guardrailing zu nutzen und Vektorspeicher für eine effiziente Dokumentenabfrage zu implementieren. Am Ende des Workshops werden die Teilnehmer ein solides Verständnis von RAG-Agenten und den notwendigen Werkzeugen zur Entwicklung eigener LLM-Anwendungen haben.
Der Kurs ist für Personen geeignet, die über grundlegende Kenntnisse im Deep Learning, Vertrautheit mit PyTorch und Transferlernen sowie über mittlere Python-Erfahrung verfügen. Er bietet ein umfassendes Verständnis von RAG-Agenten und stattet die Teilnehmer mit den Fähigkeiten aus, fortgeschrittene LLM-Systeme effektiv zu entwickeln und bereitzustellen.
NVIDIA RAG-Agenten mit LLMs erstellen's Kernfunktionen
LLM-Systeme mit internem und externem Denken erstellen
Dialogmanagementsysteme entwerfen
Embedding-Modelle für Ähnlichkeitsabfragen nutzen
RAG-Agenten ohne Feinabstimmung implementieren
LLM-Inferenzschnittstellen erkunden
Pipelines mit LangChain, Gradio und LangServe entwerfen
Dialogzustände verwalten und Wissensabfrage integrieren
Embeddings für semantische Ähnlichkeit nutzen
Wie verwendet man NVIDIA RAG-Agenten mit LLMs erstellen?
Konfigurieren: Die Umgebung für den Workshop einrichten
Verwenden: LLM-Inferenzschnittstellen und Mikrodienste erkunden
Optimieren: LLM-Pipelines mit LangChain, Gradio und LangServe entwerfen
Bewerten: Vektorspeicher für eine effiziente Dokumentenabfrage implementieren
NVIDIA RAG-Agenten mit LLMs erstellen's Anwendungsfälle
- Design von Dialogsystemen
- Inhaltsabfrage
- Entwicklung von LLM-Anwendungen
- Semantische Ähnlichkeit
- Wissensabfrage
