چطور هوش مصنوعی را به اطلاعات خودمان وصل کنیم؟ | آموزش RAG برای LLMها

RAG چیست؟ آموزش RAG و اتصال هوش مصنوعی به اطلاعات | Retrieval Augmented Generation چطور یه مدل زبانی مثل ChatGPT رو به فایل‌ها و اطلاعات خودمون وصل کنیم تا جوابش فقط به دانسته‌های قدیمی خودش وابسته نباشه؟ توی این ویدیو مفهوم RAG رو ساده و خودمونی باز می‌کنیم: اول اطلاعات مرتبط با سؤال پیدا می‌شن، بعد همراه سؤال به مدل داده می‌شن تا جواب دقیق‌تر و مرتبط‌تری بسازه. با یه مثال چت‌باتِ متصل به اسناد و اطلاعات کسب‌وکار می‌بینیم RAG کجا به درد می‌خوره و چرا با دوباره آموزش‌دادن مدل یا Fine-tuning یکی نیست. اگه تازه وارد دنیای LLM و هوش مصنوعی مولد شدی، این ویدیو کمک می‌کنه قبل از درگیرشدن با Embedding و Vector Database، تصویر کلی ماجرا رو بفهمی. خلاصهٔ ایده: سؤال کاربر ← پیدا کردن اطلاعات مرتبط ← دادن آن به مدل زبانی ← ساخت پاسخ. اگه دوست داری برای ساخت یک چت‌بات واقعی با RAG هم ویدیو بسازم، توی کامنت‌ها بگو 😊 ⏱ بخش‌بندی ویدیو: 00:00 RAG چیست؟ مثال چت‌بات پشتیبانی سایت 02:13 چرا برای اطلاعات اختصاصی کسب‌وکار به RAG نیاز داریم؟ 06:17 دو فاز اصلی RAG؛ آماده‌سازی داده و پاسخ به سؤال 08:18 چرا اسناد را قبل از سؤال کاربر آماده می‌کنیم؟ 10:35 بارگذاری و تمیزکردن اسناد در RAG 12:03 Chunking چیست و چرا متن را تکه‌تکه می‌کنیم؟ 14:15 افزودن Metadata به بخش‌های سند 15:09 Embedding چیست؟ تبدیل متن به بردار 18:00 ذخیرهٔ بردارها در Vector Database 19:21 فاز پرسش کاربر و جست‌وجوی اطلاعات مرتبط 20:41 بازنویسی سؤال با کمک تاریخچهٔ گفتگو 22:25 جست‌وجوی برداری و پیداکردن متن‌های مشابه 25:57 رتبه‌بندی و انتخاب مرتبط‌ترین بخش‌های سند 28:35 افزودن متن‌های پیدا‌شده به پرامپت مدل زبانی 32:56 ساخت پاسخ نهایی با LLM 35:20 مرور کامل مسیر RAG از سند تا پاسخ 37:01 نمونهٔ کد پیاده‌سازی RAG با اسناد واقعی 43:11 اجرای نمونه و بررسی جواب چت‌بات 44:55 جمع‌بندی و راه‌های توسعهٔ سیستم RAG سورس کد آموزش داده شده در این ویدیو رو میتونید از گیت هاب دانلود کنید: https://github.com/badrnezhad/Simple-RAG 🔔 آموزش‌های بعدی هوش مصنوعی و برنامه‌نویسی رو از دست نده: https://www.youtube.com/c/NullDevelop... 📸 اینستاگرامم:   / nulldevelopr   🌐 سایت: https://holosen.net #RAG #هوش_مصنوعی #مدل_زبانی