In diesem Modul lernen Sie, wie Sie Dokumente mit dem Einbettungsmodell von watsonx einbetten und diese Einbettungen in Vektordatenbanken wie Chroma DB und FAISS speichern. Sie lernen die Rolle von Einbettungen in RAG-Pipelines kennen, konfigurieren Vektorspeicher, um diese Einbettungen zu verwalten, und verwenden LangChain, um Dokumente für die Einbettung vorzubereiten. Zusätzlich werden Sie praktische Erfahrungen mit fortgeschrittenen Retrievern in LangChain sammeln, wie z.B. Vector Store-Based, Multi-Query, Self-Query und Parent Document Retriever, um relevante Informationen aus Dokumenten effizient zu extrahieren. Schließlich werden Sie RAG-basierte Ansätze mit Feinabstimmung unter Verwendung von InstructLab vergleichen, um deren Kompromisse und Anwendbarkeit zu bewerten.

In diesem Modul werden Sie alle gelernten Komponenten kombinieren, um eine vollständige generative KI-Anwendung mit LangChain und RAG zu erstellen. Sie werden lernen, wie Sie RAG implementieren, um die Informationsbeschaffung zu verbessern, Benutzeroberflächen mit Gradio einrichten und einen Frage-Antwort-Bot konstruieren, der LLMs und LangChain nutzt, um auf Anfragen aus geladenen Dokumenten zu antworten. In praktischen Übungen üben Sie den Aufbau einer Gradio-Schnittstelle und die Entwicklung Ihres eigenen QA-Bots. Im Abschlussprojekt werden Sie eine KI-Anwendung unter Verwendung von RAG und LangChain erstellen. Die unterstützenden Materialien, wie ein Spickzettel und ein Glossar, werden Ihr Verständnis vertiefen, Ihr Vertrauen in Ihre Implementierungsfähigkeiten stärken und Ihr Lernen durch ein benotetes Quiz bewerten. Sie verlassen dieses Modul mit einem einsatzfähigen KI-gestützten Assistenten und kennen die nächsten Schritte, um Ihre Fähigkeiten zu verbessern.