Szkolenie Retrieval Augmented Generation (RAG) z LangChain
Poziom
ŚredniozaawansowanyCzas
24h / 3 dniTermin
IndywidualnieCena
IndywidualnieSzkolenie Retrieval Augmented Generation (RAG) z LangChain
Szkolenie warsztatowe poświęcone projektowaniu, budowie i ocenie systemów Retrieval Augmented Generation z wykorzystaniem LangChain i LangGraph. Zakres obejmuje przygotowanie dokumentów, chunking, embeddingi, indeksy wektorowe, retrieval hybrydowy, reranking, integrację z modelami LLM, zarządzanie kontekstem oraz budowę interfejsu API. Uczestnicy przygotują działający prototyp aplikacji RAG, zestaw zapytań testowych i raport oceny jakości. Program uwzględnia cytowanie źródeł, ograniczanie halucynacji, ochronę danych, kontrolę dostępu, odporność na prompt injection, obserwowalność oraz nadzór człowieka.
Dla kogo jest to szkolenie?
Programiści Python i inżynierowie AI odpowiedzialni za tworzenie aplikacji wykorzystujących modele językowe i własne źródła wiedzy-
Data scientistci, specjaliści NLP i inżynierowie danych pracujący nad przygotowaniem dokumentów, wyszukiwaniem informacji oraz oceną jakości odpowiedzi modeli
-
Analitycy techniczni i deweloperzy projektujący systemy Q&A, chatboty oraz narzędzia wspierające dostęp do wiedzy organizacyjnej
-
Architekci rozwiązań znający podstawy Pythona, protokołu HTTP, formatu JSON, pracy z API i systemu Git oraz rozumiejący podstawowe pojęcia związane z modelami LLM i embeddingami
Czego nauczysz się na tym szkoleniu?
- Przygotowywać i wersjonować dokumenty, dobierać strategię chunkingu oraz tworzyć indeks zawierający embeddingi i metadane
- Projektować łańcuch RAG w LangChain oraz przepływ sterowany stanem w LangGraph
- Konfigurować retrieval wektorowy, tekstowy i hybrydowy, filtrowanie metadanych oraz reranking wyników
- Budować system Q&A z zarządzaniem kontekstem, historią konwersacji, cytowaniem źródeł i obsługą braku wystarczających danych.
- Oceniać jakość retrievalu i odpowiedzi za pomocą zestawu testowego, metryk, analizy błędów oraz narzędzi obserwowalności
- Przygotowywać prototyp API aplikacji RAG z uwzględnieniem kontroli dostępu, ochrony danych, prompt injection, kosztów, ograniczeń rozwiązania i nadzoru człowieka
Program szkolenia
Dzień 1: Wprowadzenie i przygotowanie danych do RAG
Moduł 1: Podstawy Retrieval Augmented Generation
- RAG a klasyczne generowanie tekstu – zastosowania, ograniczenia i kryteria doboru
- Architektura RAG – indeksowanie, retrieval, kontekst i generowanie
- Komponenty systemu RAG – źródła danych, parsery, indeksy, retrievery, modele i warstwa aplikacyjna
- Ekosystem LangChain – modele, prompty, retrievery, narzędzia i interfejsy Runnable
- Dostęp do modeli LLM przez API – konfiguracja, limity, koszty, prywatność i obsługa błędów
Moduł 2: Przygotowanie oraz indeksacja danych
- Źródła dokumentów i ekstrakcja treści – Python, HTML, PDF i dane strukturalne
- Chunking – strategie podziału, nakładanie fragmentów, metadane i wpływ na jakość retrievalu
- Embeddingi – modele, wymiary, podobieństwo semantyczne i wersjonowanie
- Vector Store – indeksacja, filtrowanie metadanych i wyszukiwanie wektorowe
- Warsztat indeksacji dokumentów – zestaw testowy, zapytania kontrolne i analiza wyników
Dzień 2: Budowa, integracja i strojenie łańcucha RAG
Moduł 3: Pipeline Retrieval i Generation w LangChain
- Retrievery dense, sparse i hybrydowe – parametry, BM25, filtry i reranking
- Komponenty retrievalu i generacji – kontrakty wejścia i wyjścia oraz obsługa kontekstu
- Łańcuch RAG w LangChain – kompozycja retrievalu, promptu i modelu LLM
- System Q&A – odpowiedzi ugruntowane, cytowania źródeł i obsługa braku danych
- LangGraph – orkiestracja, stan, rozgałęzienia i kontrola przebiegu
Moduł 4: Optymalizacja i personalizacja łańcucha
- Prompty i kontekst – budżet tokenów, format odpowiedzi i kolejność źródeł
- Pamięć konwersacji – historia, streszczenia, prywatność i separacja sesji
- Ograniczanie halucynacji – reguły odmowy, cytowania, walidacja i ocena ugruntowania
- Warsztat strojenia pipeline’u – zestaw ewaluacyjny, metryki retrievalu i generacji oraz logika warunkowa
Dzień 3: Zaawansowane zastosowania i prototyp wdrożeniowy
Moduł 5: Aplikacja RAG w środowisku docelowym
- API i interfejs aplikacji RAG – FastAPI, kontrakty, uwierzytelnianie i obsługa błędów
- Dane multimodalne – PDF, tabele, obrazy, OCR i ograniczenia jakości
- Bezpieczeństwo i obserwowalność – kontrola dostępu, prompt injection, wycieki danych, logi, koszty i monitoring jakości
- Projekt praktyczny – implementacja, testy, ewaluacja i dokumentacja prototypu RAG
Moduł 6: Narzędzia wspierające i rozwój RAG z LangChain
- LangGraph i LangSmith – śledzenie, debugowanie, ewaluacja i audyt przebiegów
- Human-in-the-loop – progi eskalacji, akceptacja odpowiedzi i nadzór człowieka
- Kierunki rozwoju RAG – agentic RAG, GraphRAG, multimodalność i małe modele językowe
- Wnioski, konsultacje i plan rozwoju kompetencji
