シリーズのご紹介
検索拡張生成は、検索拡張生成に関する詳細なコースです。これは、LLM が 個人データ (内部文書、ナレッジ ベース、データベース) にアクセスして使用し、正確かつ最新の回答を得ることができる技術です。
🎯 RAG が重要な理由 RAG は、LLM の 3 つの最大の問題、幻覚、知識の遮断 (古い知識)、およびドメイン固有の知識 (専門知識) を解決するために企業が適用する 最も優れた技術 です。
何を学ぶのですか?
パート 1: RAG プラットフォーム
- レッスン 1: RAG とは何ですか?アーキテクチャの取得 → 拡張 → 生成
- レッスン 2: 埋め込みモデル: OpenAI、Cohere、ベトナム語用オープンソース
- レッスン 3: ベクトル データベース: Chroma、Qdrant、Pinecone — セットアップと比較
パート 2: ドキュメント処理パイプライン
- レッスン 4: ドキュメントの読み込み: PDF、DOCX、Web、YouTube、コード リポジトリ
- レッスン 5: チャンキング戦略: 固定、セマンティック、再帰
- レッスン 6: メタデータ、フィルタリング、ハイブリッド検索
パート 3: 高度な RAG テクニック
- レッスン 7: クエリ変換: HyDE、マルチクエリ、ステップバック
- レッスン 8: 再ランキングとコンテキスト圧縮
- レッスン 9: 🔥 グラフ RAG — ナレッジ グラフ + ベクトル検索
- レッスン 10: 🔥 マルチモーダル RAG — ドキュメント内の写真、表、グラフ
パート 4: プロダクション RAG
- レッスン 11: 🔥 Agentic RAG — エージェントがいつ取得するかを決定します
- レッスン 12: RAG 評価: RAGAS フレームワーク
- レッスン 13: 本番環境へのデプロイ: API、キャッシュ、モニタリング
- レッスン 14: キャップストーン:「ドキュメントを使用したチャット」完了
入力が必要です
- 中級 Python (非同期/待機、ファイル I/O、API 呼び出し)
- LLM とプロンプト エンジニアリングの基本的な理解
- OpenAI または Anthropic アカウント (埋め込み + LLM 呼び出し用)
使用したツール
Python 3.11+ | Ngôn ngữ chính
OpenAI / Anthropic | LLM APIs + Embeddings
ChromaDB / Qdrant | Vector Databases
LangChain | RAG framework
LlamaIndex | Alternative RAG framework
Unstructured.io | Document processing
Neo4j | Graph database (Graph RAG)
RAGAS | RAG evaluation
FastAPI | Production API