O korektorach merytorycznych

Wstęp

Część 1. Wprowadzenie do generatywnej sztucznej inteligencji i frameworka LlamaIndex

• Rozdział 1. Duże modele językowe
  • Wprowadzenie do generatywnej sztucznej inteligencji i dużych modeli językowych
    • Czym jest generatywna sztuczna inteligencja?
    • Czym jest duży model językowy?
  • Rola modeli LLM we współczesnej technologii
  • Wyzwania związane z modelami LLM
  • Wzbogacanie modeli LLM za pomocą techniki RAG
  • Podsumowanie
• Rozdział 2. LlamaIndex - ukryty skarb. Wprowadzenie do ekosystemu LlamaIndex
  • Wymagania techniczne
  • Optymalizacja modeli językowych - dostrajanie, RAG i LlamaIndex
    • Czy RAG jest jedynym rozwiązaniem?
    • Co robi LlamaIndex?
  • Zalety stopniowego ujawniania złożoności
    • Ważny aspekt do uwzględnienia
  • System PITS - praktyczny projekt z użyciem LlamaIndexu
    • Sposób działania PITS
  • Przygotowanie środowiska programistycznego
    • Instalacja Pythona
    • Instalacja Gita
    • Instalacja LlamaIndexu
    • Rejestracja klucza API OpenAI
    • Odkrywanie Streamlita - idealnego narzędzia do szybkiego tworzenia i wdrażania
    • Instalacja Streamlita
    • Ostatnie przygotowania
    • Ostatnia kontrola
  • Struktura bazy kodu w LlamaIndexie
  • Podsumowanie

Część 2. Rozpoczęcie pracy nad pierwszym projektem z użyciem frameworka LlamaIndex

• Rozdział 3. Rozpoczęcie pracy z LlamaIndexem
  • Wymagania techniczne
  • Podstawowe elementy LlamaIndexu: dokumenty, węzły i indeksy
    • Dokumenty
    • Węzły
    • Ręczne tworzenie obiektu węzła
    • Automatyczne wyodrębnianie węzłów z dokumentów za pomocą separatorów
    • Węzły nie lubią być same - pragną relacji
    • Dlaczego relacje są ważne?
    • Indeksy
    • Czy to już wszystko?
    • Jak to właściwie działa?
    • Krótki przegląd kluczowych koncepcji
  • Budowanie pierwszej interaktywnej aplikacji z użyciem dużego modelu językowego
    • Wykorzystanie funkcji rejestru w LlamaIndexie do zrozumienia logiki i debugowania aplikacji
    • Dostosowywanie modelu LLM używanego przez LlamaIndex
    • Łatwe jak 1, 2, 3
    • Parametr temperatury
    • Jak używać Settings do dostosowywania modeli?
  • Rozpoczęcie pracy nad projektem PITS - ćwiczenie praktyczne
    • Kod źródłowy
  • Podsumowanie
• Rozdział 4. Wprowadzanie danych do przepływu pracy RAG
  • Wymagania techniczne
  • Wprowadzanie danych za pomocą LlamaHuba
  • Wprowadzenie do LlamaHuba
  • Stosowanie ładowarek danych z LlamaHuba do wprowadzania treści
    • Wprowadzanie danych ze stron internetowych
    • Wprowadzanie danych z bazy danych
    • Masowe wprowadzanie danych ze źródeł z wieloma formatami plików
  • Podział dokumentów na węzły
    • Proste narzędzia do dzielenia tekstu
    • Stosowanie bardziej zaawansowanych parserów węzłów
    • Stosowanie parserów relacyjnych
    • Parsery węzłów i dzielniki tekstu to to samo?
    • Parametry chunk_size i chunk_overlap
    • Uwzględnianie relacji za pomocą parametru include_prev_next_rel
    • Praktyczne sposoby wykorzystania modeli tworzenia węzłów
  • Praca z metadanymi w celu poprawy kontekstu
    • SummaryExtractor
    • QuestionsAnsweredExtractor
    • TitleExtractor
    • EntityExtractor
    • KeywordExtractor
    • PydanticProgramExtractor
    • MarvinMetadataExtractor
    • Definiowanie własnego ekstraktora
    • Czy posiadanie wszystkich metadanych jest zawsze potrzebne?
  • Szacowanie kosztów użycia ekstraktorów metadanych
    • Najlepsze praktyki minimalizowania kosztów
    • Oszacuj maksymalne koszty przed uruchomieniem rzeczywistych ekstraktorów
  • Ochrona prywatności z ekstraktorami metadanych i nie tylko
    • Usuwanie danych osobowych i innych wrażliwych informacji
  • Stosowanie przepływu wprowadzania danych do poprawy wydajności
  • Obsługa dokumentów zawierających mieszankę tekstu i danych tabelarycznych
  • Praktyka: wprowadzanie materiałów szkoleniowych do aplikacji PITS
  • Podsumowanie
• Rozdział 5. Indeksowanie z LlamaIndexem
  • Wymagania techniczne
  • Indeksowanie danych - spojrzenie z lotu ptaka
    • Wspólne cechy wszystkich typów indeksów
  • VectorStoreIndex
    • Prosty przykład użycia indeksu VectorStoreIndex
    • Osadzenia
    • Wyszukiwanie podobieństwa
    • Jak LlamaIndex generuje osadzenia?
    • Jak wybrać model osadzający?
  • Przechowywanie i ponowne używanie indeksów
    • StorageContext
    • Różnica między magazynami wektorów a wektorowymi bazami danych
  • Inne typy indeksów w LlamaIndexie
    • SummaryIndex
    • DocumentSummaryIndex
    • KeywordTableIndex
    • TreeIndex
    • KnowledgeGraphIndex
  • Budowanie indeksów na bazie innych indeksów za pomocą grafu ComposableGraph
    • Jak używać grafu ComposableGraph?
    • Więcej szczegółów na temat grafu ComposableGraph
  • Szacowanie potencjalnych kosztów budowy i przeszukiwania indeksów
  • Indeksowanie materiałów do nauki PITS - praktyka
  • Podsumowanie

Część 3. Przeszukiwanie i praca ze zindeksowanymi danymi

• Rozdział 6. Zapytania do własnych danych, część 1. - wyszukiwanie kontekstu
  • Wymagania techniczne
  • Mechanika zapytań - przegląd
  • Podstawowe mechanizmy wyszukiwania
    • Mechanizmy wyszukiwania dla indeksu VectorStoreIndex
    • Mechanizmy wyszukiwania dla indeksu SummaryIndex
    • Mechanizmy wyszukiwania dla indeksu DocumentSummaryIndex
    • Mechanizmy wyszukiwania dla indeksu TreeIndex
    • Mechanizmy wyszukiwania dla indeksu KnowledgeGraphIndex
    • Wspólne cechy mechanizmów wyszukiwania
    • Wydajne wykorzystanie mechanizmów wyszukiwania - operacja asynchroniczna
  • Budowanie bardziej zaawansowanych mechanizmów wyszukiwania
    • Prosta (naiwna) metoda wyszukiwania
    • Implementacja filtrów metadanych
    • Użycie selektorów do bardziej zaawansowanej logiki decyzyjnej
    • Narzędzia
    • Przekształcanie i przeformułowywanie zapytań
    • Tworzenie trafniejszych podzapytań
  • Gęste i rzadkie wyszukiwanie
    • Wyszukiwanie gęste
    • Wyszukiwanie rzadkie
    • Implementacja wyszukiwania rzadkiego w LlamaIndexie
    • Inne zaawansowane metody wyszukiwania
  • Podsumowanie
• Rozdział 7. Zapytania do własnych danych, część 2. - postprocessing i synteza odpowiedzi
  • Wymagania techniczne
  • Ponowne sortowanie, przekształcanie i filtrowanie węzłów za pomocą postprocesorów
    • Sposoby filtrowania, przekształcania i ponownego sortowania węzłów przez postprocesory
    • SimilarityPostprocessor
    • KeywordNodePostprocessor
    • PrevNextNodePostprocessor
    • LongContextReorder
    • PIINodePostprocessor i NERPIINodePostprocessor
    • MetadataReplacementPostProcessor
    • SentenceEmbeddingOptimizer
    • Postprocesory oparte na czasie
    • Postprocesory ponownie sortujące
    • Uwagi końcowe dotyczące postprocesorów węzłów
  • Syntezatory odpowiedzi
  • Implementacja technik parsowania wyników
    • Wydobywanie ustrukturyzowanych wyników za pomocą parserów
    • Wydobywanie ustrukturyzowanych wyników za pomocą programów Pydantic
  • Budowanie i stosowanie silników zapytań
    • Metody budowania silników zapytań
    • Zaawansowane zastosowania interfejsu QueryEngine
  • Praktyka - budowanie quizów w aplikacji PITS
  • Podsumowanie
• Rozdział 8. Budowanie czatbotów i agentów za pomocą LlamaIndexu
  • Wymagania techniczne
  • Czatboty i agenty
    • Silnik czatu
    • Tryby czatu
  • Implementacja strategii agentowych w aplikacjach
    • Tworzenie narzędzi i klas ToolSpec dla agentów
    • Pętle rozumowania
    • OpenAIAgent
    • ReActAgent
    • Jak wchodzimy w interakcję z agentami?
    • Udoskonalanie agentów za pomocą narzędzi użytkowych
    • Wykorzystanie agenta LLMCompiler do bardziej zaawansowanych scenariuszy
    • Wykorzystanie niskopoziomowego API Agent Protocol
  • Praktyka - implementacja śledzenia przebiegu rozmów w aplikacji PITS
  • Podsumowanie

Część 4. Dostosowywanie, inżynieria promptów i końcowe uwagi

• Rozdział 9. Dostosowywanie i wdrażanie projektu stworzonego za pomocą LlamaIndexu
  • Wymagania techniczne
  • Dostosowywanie komponentów RAG
    • Jak LLaMA i LLaMA 2 zmieniły krajobraz modeli otwartoźródłowych?
    • Uruchamianie lokalnego modelu LLM za pomocą LM Studio
    • Routing między modelami LLM za pomocą takich usług jak Neutrino lub OpenRouter
    • A co z dostosowywaniem modeli osadzania?
    • Wygodne i gotowe do użycia Llama Packs
    • Interfejs wiersza poleceń LlamaIndexu
  • Użycie zaawansowanych technik śledzenia i oceny
    • Śledzenie przepływów RAG za pomocą Phoenixa
    • Ocena systemu RAG
  • Wprowadzenie do wdrażania z użyciem frameworka Streamlit
  • Praktyka - przewodnik krok po kroku dotyczący wdrażania
    • Wdrażanie projektu PITS na Streamlit Community Cloud
  • Podsumowanie
• Rozdział 10. Wytyczne i najlepsze praktyki inżynierii promptów
  • Wymagania techniczne
  • Dlaczego prompty są Twoją tajną bronią?
  • Wykorzystanie promptów przez LlamaIndex
  • Dostosowywanie domyślnych promptów
    • Wykorzystanie zaawansowanych technik tworzenia promptów w LlamaIndexie
  • Złote zasady inżynierii promptów
    • Dokładność i jasność wyrażenia
    • Ukierunkowanie
    • Jakość kontekstu
    • Ilość kontekstu
    • Wymagany format wyjściowy
    • Koszt wnioskowania
    • Ogólne opóźnienie systemu
    • Wybór odpowiedniego modelu LLM do zadania
    • Powszechne metody tworzenia skutecznych promptów
  • Podsumowanie
• Rozdział 11. Zakończenie i dodatkowe źródła wiedzy
  • Inne projekty i dalsza nauka
    • Zbiór przykładów na stronie LlamaIndexu
    • Przyszłość - nagrody Replita
    • W grupie siła - społeczność LlamaIndexu
  • Kluczowe wnioski i słowo końcowe
    • O przyszłości RAG w szerszym kontekście generatywnej sztucznej inteligencji
    • Krótka filozoficzna myśl
  • Podsumowanie

• Назва: Tworzenie aplikacji AI z LlamaIndex. Praktyczny przewodnik po RAG i LLM
• Автор: Andrei Gheorghiu
• Оригінальна назва: Building Data-Driven Applications with LlamaIndex: A practical guide to retrieval-augmented generation (RAG) to enhance LLM applications
• Переклад: Anna Mizerska
• ISBN: 978-83-289-2306-5, 9788328923065
• Дата видання: 2025-05-20
• Формат: Eлектронна книга
• Ідентифікатор видання: twapai
• Видавець: Helion