LLM для продвинутых ответов на вопросы по табличным данным / CSV / SQL (создание продвинутого RAG...

Во втором видео этой серии мы покажем вам, как составить простой и сложный конвейер запросов к табличным данным. Это включает в себя использование LLM для вывода как операций Pandas, так и SQL-запросов. Также это включает в себя использование концепций RAG для расширенных возможностей, таких как выборка таблиц и строк из нескольких таблиц за короткий период времени. LlamaIndex Query Pipelines позволяет выражать эти сложные DAG-конвейеры в лаконичной, читаемой и визуальной форме. Очень легко добавлять примеры за короткий период времени, подсказки для связывания, LLM, пользовательские функции, средства получения данных и многое другое. Блокнот Colab, использованный в этом видео: https://colab.research.google.com/dri... Эта презентация взята из наших руководств по документации — ознакомьтесь с ними 👇 Text-to-SQL: https://docs.llamaindex.ai/en/stable/... Text-to-Pandas: https://docs.llamaindex.ai/en/stable/... Таймлайн: 00:00-06:18 - Введение 6:18-12:13 - Text-to-Pandas (Основы) 12:13-27:05 - Получение таблицы во время запроса для расширенного Text-to-SQL 27:05 - Получение строк во время выполнения запроса для расширенного преобразования текста в SQL.