RAG-systemen en AI-agenten bouwen met grote taalmodellen

De mogelijkheid om Large Language Models (LLM's) te gebruiken met privégegevens is essentieel voor het maken van krachtige, contextbewuste applicaties. Retrieval-Augmented Generation (RAG) is het kritische patroon om dit te bereiken in de huidige productieomgevingen. Aan het einde van deze cursus begrijpt u de architectuur van RAG-systemen en multi-agent workflows. Je doet praktische ervaring op met het structureren van gegevens, het selecteren van geschikte vectorwinkels, het ontwerpen van effectieve prompts en het implementeren van deze AI-oplossingen om specifieke zakelijke problemen op te lossen. Wat je leert: * Begrijp de kerncomponenten en architectuur van Retrieval-Augmented Generation (RAG) systemen. * Oefen effectieve prompt-engineeringtechnieken voor het optimaliseren van LLM-interacties en agent-redeneerpaden. * Best practices toepassen voor het delen, insluiten en indexeren van gegevens in een vectordatabase. * Configureer agenten en multi-agent workflows met behulp van gespecialiseerde low-code tools voor complexe taakautomatisering. * Implementeer en voer lokale LLM's uit met behulp van containerisatie-fundamenten zoals Docker en gespecialiseerde tools zoals Ollama. De cursus begint met het definiëren van LLM's, RAG's en agentconcepten voordat u overgaat tot praktische implementatiestappen. We bespreken de voorbereiding van gegevens, de integratie van vectorwinkels, de configuratie van agenten en fundamentele implementatiestrategieën om uw oplossingen toegankelijk te maken. Deze cursus is bedoeld voor beginners, ontwikkelaars en data-beoefenaars die praktische, contextbewuste AI-toepassingen willen bouwen. Er is geen eerdere ervaring met LLM's of geavanceerde machine learning vereist. Begin vandaag nog met het bouwen van intelligente, datagestuurde AI-systemen.