Moderne Semantic Search mit LLMs, Vektor-Datenbanken und LangChain скачать в хорошем качестве

Moderne Semantic Search mit LLMs, Vektor-Datenbanken und LangChain

Alle Inhalte des Webinars, inkl. Slides: https://www.thinktecture.com/webinare... Mehr Artikel, Webinare & mehr zum Thema Generative AI: https://www.thinktecture.com/technolo... Mehr Inhalte von und Infos über Sebastian Gingter: https://www.thinktecture.com/thinktec... --------- Moderne Semantic Search mit LLMs, Vektor-Datenbanken und LangChain Stellen Sie sich vor, Sie könnten eine Suchmaschine so präzise fragen, wie Sie einen Freund um Ratschläge bitten würden. Und diese Maschine versteht nicht nur Ihre Worte, sondern auch den Kontext und die Absicht dahinter. Und sie findet die besten Antworten auf ihre Fragen nicht im Web, sondern ganz konkret in den Dokumenten ihrer eigenen Firma. Willkommen in der neuen, magischen Welt der Semantischen Suche. In diesem Webinar zeigt Ihnen unser Experte Sebastian Gingter, wie man die „Magie“ dahinter etwas entzaubern kann und welche Techniken hier konkret zum Einsatz kommen: Was sind Embeddings? Was sind Vektoren und wieso gibt es dafür separate Datenbanken? Dann geht es auch gleich pragmatisch daran, unsere Dokumente zu Indizieren und dabei betrachten wir auch welche Probleme auftauchen können und wie wir diese lösen können. Zuletzt schauen wir uns dann die Suche an und klären, was es mit Retrieval Augmented Generation (RAG) auf sich hat. Am Ende steht eine konkrete End-to-End Anwendung mit dem LangChain Toolkit in Python , die es unseren Mitarbeitern erlaubt sich mit unseren lebendig gewordenen internen Dokumenten zu unterhalten. --------- Kapitel: 00:00 - Intro 07:08 - Talking Points 07:57 - Agenda 09:39 - Intro - Semantic Search 12:57 - Embeddings 29:23 - Embeddings - Demo 28:32 - Vector-Databases 44:27 - Vector-Databases - Demo 48:21 - Indexing 56:52 - Retrieval (Search) 58:01 - Retrieval (Search) - Demo 1:00:40 - Indexing II 1:12:51 - Compare Embeddings - Demo 1:23:03 - RAG (Retrieval Augmented Generation) 1:23:06 - RAG - Demo 1:25:01 - Conclusion 1:28:01 - Q&A