Description
Le cours de NVIDIA, Construire des agents RAG avec des LLMs, plonge dans l'évolution révolutionnaire des grands modèles de langage (LLMs) et leur application dans les systèmes basés sur la récupération. Ces modèles améliorent la productivité en permettant des conversations éclairées grâce à l'interaction avec divers outils et documents.
Le cours est conçu pour les personnes désireuses d'explorer le potentiel des LLMs, en se concentrant sur le déploiement pratique et la mise en œuvre efficace pour gérer les demandes des utilisateurs et des modèles d'apprentissage profond.
Les participants acquerront des connaissances sur des techniques d'orchestration avancées, y compris le raisonnement interne, la gestion des dialogues et des stratégies d'outillage efficaces. Le cours vise à enseigner aux participants comment composer un système LLM qui interagit de manière prévisible avec les utilisateurs en tirant parti des composants de raisonnement internes et externes. Il couvre également la conception de systèmes de gestion des dialogues et de raisonnement documentaire qui maintiennent l'état et les informations structurelles.
Le cours comprend des sujets tels que les interfaces d'inférence LLM, la conception de pipelines avec LangChain, Gradio et LangServe, la gestion des dialogues avec des états en cours, et le travail avec des documents. Les participants apprendront à utiliser des embeddings pour la similarité sémantique et la protection, et à mettre en œuvre des magasins de vecteurs pour une récupération efficace de documents. À la fin de l'atelier, les participants auront une compréhension solide des agents RAG et des outils nécessaires pour développer leurs propres applications LLM.
Le cours est adapté à ceux ayant des connaissances de base en apprentissage profond, une familiarité avec PyTorch et l'apprentissage par transfert, ainsi qu'une expérience intermédiaire en Python. Il offre une compréhension complète des agents RAG, équipant les participants des compétences nécessaires pour développer et déployer efficacement des systèmes LLM avancés.
Fonctionnalités principales de NVIDIA Construire des agents RAG avec des LLMs
Composer des systèmes LLM avec raisonnement interne et externe
Concevoir des systèmes de gestion des dialogues
Tirer parti des modèles d'embeddings pour des requêtes de similarité
Mettre en œuvre des agents RAG sans ajustement fin
Explorer les interfaces d'inférence LLM
Concevoir des pipelines avec LangChain, Gradio et LangServe
Gérer les états de dialogue et intégrer l'extraction de connaissances
Utiliser des embeddings pour la similarité sémantique
Comment utiliser NVIDIA Construire des agents RAG avec des LLMs ?
Configurer : Mettre en place l'environnement pour l'atelier
Utiliser : Explorer les interfaces d'inférence LLM et les microservices
Optimiser : Concevoir des pipelines LLM en utilisant LangChain, Gradio et LangServe
Évaluer : Mettre en œuvre des magasins de vecteurs pour une récupération efficace de documents
Cas d'utilisation de NVIDIA Construire des agents RAG avec des LLMs
- Conception de systèmes de dialogue
- Récupération de contenu
- Développement d'applications LLM
- Similarité sémantique
- Extraction de connaissances
