RAG-системы на векторных базах данных

О чём курс

Дмитрий Соболев разбирает, как устроены RAG-системы на векторных базах данных и как собрать пайплайн, который ищет подходящие данные для ответа языковой модели. Вы начнёте с векторных представлений и семантического поиска, затем перейдёте к индексам, хранилищам и работе с найденной информацией. Автор объясняет устройство эмбеддингов и алгоритмов поиска ближайших соседей, чтобы было понятно, как выбирать способ хранения и поиска.

Что внутри

В практической части используются FAISS, Qdrant и Weaviate. Вы поработаете с индексами FAISS, схемами данных и поиском в Weaviate, а также соберёте RAG-пайплайны с LangChain и разными хранилищами. Каждый раздел включает практикум с работающим пайплайном и задачами, близкими к применению в рабочих системах.

Курс также охватывает поиск по тексту и изображениям, метрики качества и приёмы, которые позволяют системе отказаться от ответа при недостаточной уверенности. Для работы над системой разбираются мониторинг, контроль версий с Git и непрерывная интеграция и доставка через GitHub Actions.

Для кого и подготовка

Материал адресован ML-инженерам, backend-разработчикам, специалистам по данным, которые переходят к ML-инженерии, и людям с опытом программирования, интересующимся ИИ. Достаточно уметь писать простые скрипты на Python, работать с библиотеками наподобие pandas или requests и иметь базовое представление о векторах и расстоянии между точками. Опыт работы с API, Git и языковыми моделями полезен, но не обязателен.

Об авторе

Дмитрий Соболев преподаёт анализ данных и ML-инженерию, включая Python, инструменты для данных и приложения с языковыми моделями. Он работал Python-разработчиком и ML-инженером в аутсорсинговых компаниях и стартапах, занимался анализом данных, ML-пайплайнами и внедрением моделей в рабочие системы. Сейчас он преподаёт и работает над собственными ML-проектами.