Обсудим как добавлять собственную базу знаний к большой языковой модели,
Обсудим подход Retrieval Augmented Generation (RAG).
Рассмотрим варианты поиска по базе знаний, векторизацию текстов.
Задачу ранжирования результатов.
Обсудим задачу и подходы к векторному поиску по базе знаний.
Рассмотрим примеры промптов для ChatGPT в задаче RAG.
Кому подходит этот урок:
- IT-специалистам, которые хотят внедрить ChatGPT в бизнес-процессы
- Тем кто хочет познакомиться с доменной адаптацией ИИ агентов.
- Продуктологам и менеджерам, кто хочет понять, как можно адаптировать Искусственный Интеллект в виде больших языковых моделей к собственным задачам
Результаты урока: Вы узнаете как работать с API ChatGPT, векторизовать тексты, решать задачу векторного поиска, составлять промпт для RAG генерации.
«Natural Language Processing (NLP)» - https://otus.pw/ndeO/
Преподаватель: Александр Брут-Бруляко - занимается исследованиями с фокусом на персонализацию коммуникаций в СБЕР Neurolab, спектр задач широк - и классические задачи ML, и NLP, и CV, и написание парсеров, и написание поддерживающей ИТ инфраструктуры
Презентация с ссылками: https://docs.google.com/presentation/d/1UJ-GEuPZQEo2pSuz_ub_jWDrlsa2a14HNW-RxZB9YiQ/edit#slide=id.g2b2e5f2d30a_1_484
Пройдите опрос по итогам мероприятия - https://otus.pw/aEwWz/
Следите за новостями проекта:
- Telegram: https://t.me/Otusjava
- ВКонтакте: https://otus.pw/850t
- LinkedIn: https://otus.pw/yQwQ/
- Хабр: https://otus.pw/S0nM/