Szkolenie: Od API LLM do Hybrydowego Agent‑RAG: pełna ścieżka tworzenia systemów opartych na RAG
Szkolenie "Od API LLM do Hybrydowego Agent‑RAG: pełna ścieżka tworzenia systemów opartych na RAG" prowadzi uczestników przez wszystkie etapy budowy nowoczesnego systemu typu Retrieval-Augmented Generation. Od pracy z LLM‑ami przez przygotowanie danych, konfigurację baz wektorowych i grafowych, aż po projektowanie wieloagentowego systemu z wykorzystaniem CrewAI i LangGraph. Uczestnicy kończą kurs z gotowym prototypem hybrydowego asystenta Q&A.
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:5 dni (40h)
Kod kursu:AI/HYBRID-RAG
Od API LLM do Hybrydowego Agent‑RAG: pełna ścieżka tworzenia systemów opartych na RAG
Cele szkolenia
Świadomie wybierać i porównywać modele LLM – zarówno komercyjne (GPT-4o, Claude 3.5), jak i open-source (Llama 3, Qwen 2), optymalizując dobór pod kątem różnych zastosowań i wymagań
Tworzyć oraz przetwarzać embeddingi z wykorzystaniem zaawansowanych wektorowych baz danych (Weaviate, Qdrant) i systemów graph RAG, efektywnie zarządzając metadanymi i skalowalnością
Projektować strategie chunkowania danych i oceniać jakość embeddingów przy użyciu metryk takich jak NDCG i MRR, aby zwiększyć precyzję i wydajność wyszukiwania semantycznego
Wdrożyć hybrydowy Graph-RAG system, łączący wyszukiwanie semantyczne i strukturalne z wykorzystaniem języka zapytań Cypher oraz technik rerankingu, poprawiając trafność wyników
Zbudować i przygotować do produkcji zaawansowany, wieloagentowy system AI bazujący na frameworkach CrewAI i LangGraph, wdrażając go w środowisku z Dockerem, Kubernetes autoscalerem oraz CI/CD
Dla kogo?
Programiści backend / AI engineerzy budujący produkty oparte na LLM.
Data scientist i analitycy zainteresowani RAG i systemami hybrydowymi.
Architekci systemów wdrażający zaawansowane narzędzia wyszukiwania i planowania.
Zespoły projektowe tworzące agentów i chatboty Q&A.
Zalety
Kompleksowy przegląd i porównanie najnowszych modeli LLM 2025 – zarówno komercyjnych (GPT-4o, Claude 3.5), jak i open-source (Llama 3, Qwen 2), z naciskiem na zastosowania w realnych projektach AI i NLP
Praktyczne warsztaty z budowy i optymalizacji systemów RAG (Retrieval-Augmented Generation) oraz zaawansowanego Graph RAG, wykorzystujące embeddingi, wektorowe bazy danych (Weaviate, Qdrant) oraz hybrydowe wyszukiwanie
Poznanie architektury wieloagentowych systemów AI i ich orkiestracji z użyciem nowoczesnych frameworków takich jak CrewAI i LangGraph, zapewniających skalowalność i elastyczność wdrożeń
Gotowy pipeline od przygotowania danych przez tworzenie modeli, aż po automatyczny deploy w środowiskach kontenerowych z Dockerem, Kubernetes autoscalerem oraz integracją CI/CD, z możliwością mierzenia wpływu na koszty i jakość
Wymagania
Znajomość Pythona i pracy z API.
Umiejętność pracy z terminalem i podstawowa znajomość Dockera.
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program szkolenia
Fundamenty LLM & API
Porównanie modeli GPT-4o, Claude 3.5, Llama 3, Qwen 2
Praca z API, retry i streaming
Function calling i routing modeli
Guardrails i walidacja danych wyjściowych
Przygotowanie danych i embedding
Tworzenie loaderów i czyszczenie danych
Strategie chunkowania i metadane
Ocena embeddingów z wykorzystaniem NDCG, MRR
Budowa prostego RAG z Chroma
Bazy wektorowe
Przegląd HNSW, IVF, FAISS
Konfiguracja Weaviate i Qdrant (w tym multi-tenancy)
Benchmarkowanie i optymalizacja parametrów
Graph RAG & wyszukiwanie hybrydowe
Modelowanie grafu dokumentów i zapytania Cypher
Łączenie kryteriów grafowych i wektorowych
Implementacja hybrydowego retrievera + reranking
Agent‑RAG & wdrożenie
Projektowanie agenta (retriever, planner, answerer)
CrewAI + LangGraph + LangSmith
Deploy z Dockerem i autoscalerem K8s
Integracja CI/CD + staging/production
Autorem szkolenia jest Marcin Wierzbiński
Analityk danych i badacz sztucznej inteligencji z doświadczeniem akademickim i komercyjnym. Na co dzień wykłada na Uniwersytecie Warszawskim, a swoje kompetencje rozwijał również w międzynarodowych instytucjach badawczych, takich jak Instytut Maxa Plancka w Berlinie. Specjalizuje się w uczeniu maszynowym, analizie danych na dużą skalę oraz bioinformatyce – w szczególności w przetwarzaniu i analizie danych genetycznych. Prowadzi praktyczne kursy z zakresu analizy danych i deep learningu, kładąc…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
