لماذا تختار RAG وهذه الدورة؟
تعرف على سبب تزايد شعبية RAG ولماذا قد تكون هذه الدورة مناسبة لك.
سنغطي ما يلي...
تخيل أن لدينا أداةً تُبدع أشياءً بنفسها، مثل كتابة قصة أو رسم صورة. هذا الجزء من الذكاء الاصطناعي، المعروف باسم الذكاء الاصطناعي التوليدي، قويٌّ جدًا لأنه يُعنى بخلق أشياء جديدة. من الأمور المذهلة التي يُقدمها هو مساعدة الحواسيب على فهم اللغة البشرية واستخدامها بطريقة لم تكن ممكنةً من قبل. يشبه الأمر تعليم الحاسوب قراءة مكتبة ضخمة من الكتب دفعةً واحدة، ثم تركه يكتب كتابه الخاص بناءً على ما تعلمه. لقد غيّر هذا قواعد اللعبة في كيفية تعامل الحواسيب مع اللغة، وجعلها أدواتٍ موثوقةً في عالمنا الذي تُحركه التكنولوجيا.
But here’s the catch: these tools aren’t perfect. Even though they’re super smart, they sometimes get things wrong, especially if they need to be really precise or use the latest information. So, to fix this, some of the brightest minds at Meta AI came up with a new trick called retrieval-augmented generation, or RAG for short, in 2020.
تخيل الأمر كأننا نمنح آلاتنا اللغوية مساعدًا. يستكشف هذا المساعد كمًّا هائلًا من المعلومات المُحدَّثة باستمرار، ويُغذِّي الذكاء الاصطناعي بالمعلومات الأحدث والأكثر صلة. بهذه الطريقة، لا يكتفي الذكاء الاصطناعي بالتخمينات الذكية، بل يستخدم بيانات حديثة ودقيقة لضمان دقة ما يقوله أو يكتبه.
في هذه الدورة، سنتعمق في هذه التقنية المبتكرة. سنستكشف كيف تدمج هذه التقنية بين القدرة التوليدية لنماذج اللغة ودقة استرجاع المعلومات، مما يجعلها أداةً ملائمةً للتطبيقات التي تتطلب الدقة والتوقيت. من خلال التركيز على تفاصيل RAG، من مبادئها الأساسية إلى تطبيقاتها العملية، تهدف هذه الدورة إلى تزويد المتعلمين بالمعرفة والمهارات اللازمة لتطبيق هذه التقنية وتحسينها في سياقات واقعية.
لمن هذه الدورة؟
صُممت هذه الدورة لمطوري البرمجيات ذوي الخبرة المتينة في Python ، وفهم أساسي للتعلم الآلي، وبعض الخبرة في API OpenAI والمكتبات مثل pandas وscikit-learn. بالإضافة إلى ذلك، ستُثري المعرفة الأساسية بنماذج اللغات الكبيرة (LLMs) وقواعد بيانات المتجهات وLangChain تجربة التعلم لديك.
إذا كنتَ جديدًا على تقنية التوليد المُعزَّز بالاسترجاع، ولكنكَ مستعدٌّ لخوض غمارٍ تقنيٍّ أكثرَ تعقيدًا من دورات المبتدئين التقليدية، فأنتَ في المكان المناسب. ستُرتقي هذه الدورة بفهمكَ من الأساسيات إلى التطبيق العملي، ممّا يُتيح لكَ الاستفادةَ من تقنية التوليد المُعزَّز بالاسترجاع بشكلٍ مُبتكر.
ماذا سوف نغطي في هذه الدورة؟
في هذه الدورة، سنبدأ بفهم تطور الذكاء الاصطناعي من الاسترجاع إلى النماذج التوليدية، ثم نتعمق في تفاصيل RAG، وندرس بنيتها، وتطبيقاتها مفتاح ، ودور تقنيات الاسترجاع. بعد ذلك، سنرشدك خلال إعداد بيئة RAG، وتصميم مكونات الاسترجاع، ودمجها مع النماذج التوليدية بناء تطبيقات قائمة على RAG. سنتعلم أيضًا كيف تُحدث RAG ثورة في تقنيات الاسترجاع التقليدية في مجالات مثل محركات البحث، وروبوتات الدردشة، وأنظمة الإجابة على الأسئلة، وصولًا إلى فهم شامل لكيفية تطبيق هذه المفاهيم في سيناريوهات واقعية.
بحلول نهاية هذه الدورة، سوف تتمكن من:
فهم أساسيات RAG: إنشاء أساس قوي في العمليات الفريدة للذكاء الاصطناعي التوليدي ضمن إطار RAG.
فهم بنية RAG: اكتشف كيف يتم دمج آليات الاسترجاع مع النماذج التوليدية لتحسين استجابات الذكاء الاصطناعي وتعزيز عمليات صنع القرار.
تطوير تطبيقات RAG العملية: انتقل من النظرية إلى الممارسة من خلال تصميم وبناء تطبيقاتك الخاصة القائمة على RAG، وصقل معرفتك الفنية ومهاراتك العملية.
استكشف التحسينات المتقدمة: تفاعل مع تطبيقات أكثر تعقيدًا من RAG، مثل LangChains والأنظمة واسعة النطاق، وتعمق في الفروق الدقيقة التقنية التي تعمل على تحسين هذه الأنظمة للتطبيقات العملية في العالم الحقيقي.
يتوفر المخطط الكامل للدورة في الأداة التفاعلية أدناه:
بحلول نهاية هذه الدورة، سنقوم بناء التطبيق التالي:
For simplicity, we have not included the complete code at this stage. However, you are encouraged to click the “Run” button to see the application in action.
على طول الطريق، سنترك ملاحظات صغيرة تُسمى "ملخصات تعليمية" ، والتي ستحتوي على حقائق شيقة أو إجابات لأسئلة قد تخطر ببالك أثناء قراءة المادة. صُممت هذه الملخصات لتعزيز تجربة التعلم لديك وتزويدك برؤى أعمق في عالم التوليد المعزز بالاسترجاع الرائع.