RAG и генеративный ИИ. Создаем собственные RAG-пайплайны с помощью LlamaIndex, Deep Lake и Pinecon
Ротман Дэнис
Код товара: 5065282
(0 оценок)Оценить
ОтзывНаписать отзыв
ВопросЗадать вопрос
1 / 14
PDF
1 / 14
Издательство:
Оригинальное название:
RAG-Driven Generative AI. Build custom retrieval augmented generation pipelines with Llamalndex
Год издания:
2026
Cерия:
Переводчик:
Редактор:
Описание
Характеристики
В книге описываются приемы создания эффективных больших языковых моделей, систем компьютерного зрения и генеративного ИИ, показывающих высокую производительность при относительно невысоких затратах. В ней приводится подробное исследование технологии RAG, а также подходов к проектированию мультимодальных пайплайнов ИИ и управлению ими. Связывая вывод с исходными документами, RAG повышает точность и контекстную релевантность результатов, предлагая динамический подход к управлению большими объемами информации.
Узнайте, как построить инфраструктуру RAG, попутно разобравшись с векторными хранилищами, фрагментацией, индексацией и ранжированием. Познакомьтесь с методами оптимизации производительности и приемами более глубокого изучения данных, включая использование адаптивного RAG и обратной связи от человека для уточнения поиска, тонкую настройку RAG, реализацию динамических RAG для поддержки принятия решений в реальном времени и визуализацию сложных данных с помощью графов знаний. Вы также увидите, как на практике объединить такие фреймворки, как LlamaIndex и Deep Lake, векторные базы данных наподобие Pinecone и Chroma и модели, предлагаемые компаниями Hugging Face и OpenAI. Приобретите навыки внедрения интеллектуальных решений, что повысит вашу конкурентоспособность в различных областях: от продакшна до обслуживания клиентов в любом проекте.
Узнайте, как построить инфраструктуру RAG, попутно разобравшись с векторными хранилищами, фрагментацией, индексацией и ранжированием. Познакомьтесь с методами оптимизации производительности и приемами более глубокого изучения данных, включая использование адаптивного RAG и обратной связи от человека для уточнения поиска, тонкую настройку RAG, реализацию динамических RAG для поддержки принятия решений в реальном времени и визуализацию сложных данных с помощью графов знаний. Вы также увидите, как на практике объединить такие фреймворки, как LlamaIndex и Deep Lake, векторные базы данных наподобие Pinecone и Chroma и модели, предлагаемые компаниями Hugging Face и OpenAI. Приобретите навыки внедрения интеллектуальных решений, что повысит вашу конкурентоспособность в различных областях: от продакшна до обслуживания клиентов в любом проекте.
код в Майшоп
5065282
возрастная категория
16+
количество томов
1
количество страниц
320 стр.
размеры
235x165x17 мм
ISBN
978-601-12-3149-7
тип бумаги
офсетная (60-220 г/м2)
цвет
Чёрный
вес
500 г
язык
Русский
переплёт
Мягкая обложка
Содержание
Об авторе
О научных редакторах
Предисловие
От издательства
Глава 1. Почему именно генерация с дополненной
выборкой (RAG)
Глава 2. Хранение эмбеддингов RAG с помощью
Deep Lake и OpenAI
Глава 3. Реализация индексированной RAG с
помощью Llama Index, Deep Lake и OpenAI
Глава 4. Мультимодальная RAG
Глава 5. Повышение эффективности RAG за счет
обратной связи от эксперта
Глава 6. Масштабирование банковских данных
клиентов в системе RAG с помощью Pinecone
Глава 7. Создание масштабируемой RAG на основе
графа знаний с помощью API Википедии и
Llamalndex
Глава 8. Создание динамических RAG с помощью
Chroma и Hugging Face Llama
Глава 9. Улучшение моделей ИИ: тонкая настройка
данных RAG и обратная связь
Глава 10. RAG для создания стоковых видео с
помощью Pinecone и OpenAI
Приложение
О научных редакторах
Предисловие
От издательства
Глава 1. Почему именно генерация с дополненной
выборкой (RAG)
Глава 2. Хранение эмбеддингов RAG с помощью
Deep Lake и OpenAI
Глава 3. Реализация индексированной RAG с
помощью Llama Index, Deep Lake и OpenAI
Глава 4. Мультимодальная RAG
Глава 5. Повышение эффективности RAG за счет
обратной связи от эксперта
Глава 6. Масштабирование банковских данных
клиентов в системе RAG с помощью Pinecone
Глава 7. Создание масштабируемой RAG на основе
графа знаний с помощью API Википедии и
Llamalndex
Глава 8. Создание динамических RAG с помощью
Chroma и Hugging Face Llama
Глава 9. Улучшение моделей ИИ: тонкая настройка
данных RAG и обратная связь
Глава 10. RAG для создания стоковых видео с
помощью Pinecone и OpenAI
Приложение
Отзывы
Вопросы
Поделитесь своим мнением об этом товаре с другими покупателями — будьте первыми!
Дарим бонусы за отзывы!
За какие отзывы можно получить бонусы?
- За уникальные, информативные отзывы, прошедшие модерацию
Как получить больше бонусов за отзыв?
- Публикуйте фото или видео к отзыву
- Пишите отзывы на товары с меткой "Бонусы за отзыв"
Задайте вопрос, чтобы узнать больше о товаре
Если вы обнаружили ошибку в описании товара «RAG и генеративный ИИ. Создаем собственные RAG-пайплайны с помощью LlamaIndex, Deep Lake и Pinecon» (авторы: Ротман Дэнис), то выделите её мышкой и нажмите Ctrl+Enter. Спасибо, что помогаете нам стать лучше!