Szkolenie: Python RAG od podstaw do produkcji: mikroserwis API i baza wektorowa PostgreSQL
Szkolenie koncentruje się na budowie systemu RAG w ekosystemie Pythona z wykorzystaniem bazy danych PostgreSQL rozszerzonej o pgvector oraz konteneryzacji w Dockerze. W pierwszym etapie przedstawione zostają podstawy architektury RAG, stanowiące fundament do dalszej pracy.
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:5 dni (40h)
Kod kursu:PYTHON/RAG
Dostępne terminy szkolenia
Termin:
Trwają zapisy na szkolenie
Dostępne w Bazie Usług Rozwojowych
Oferta specjalna
online_paymentsTrener:
Cena:
3950 PLN netto
Lokalizacja:
ZdalneTermin:
Trwają zapisy na szkolenieDostępne w Bazie Usług RozwojowychOferta specjalnaonline_paymentsTrener:
Cena:
3950 PLN nettoLokalizacja:
ZdalnePython RAG od podstaw do produkcji: mikroserwis API i baza wektorowa PostgreSQL
Cele szkolenia
Szkolenie przygotowuje do samodzielnej implementacji systemu RAG (Retrieval-Augmented Generation) w Pythonie, obejmującego ekstrakcję danych z PDF, chunking oraz dobór modeli embeddingowych
Szkolenie omawia projektowanie relacyjnej i wektorowej bazy danych PostgreSQL z rozszerzeniem pgvector, z uwzględnieniem similarity search i przechowywania embeddingów
Szkolenie wprowadza w praktyki developmentu backendowego z użyciem Docker, Docker Compose i Task, umożliwiające budowę środowiska produkcyjnego
Szkolenie pokazuje jak tworzyć migracje i komunikację z bazą SQL w Pythonie przy użyciu SQLAlchemy ORM
Szkolenie przedstawia budowę pipeline’u RAG: od przetwarzania dokumentów PDF po gotową bazę wektorową do retrieval
Szkolenie prezentuje metody ewaluacji jakości odpowiedzi LLM oraz skuteczności systemu RAG, w tym ograniczanie halucynacji
Szkolenie rozwija umiejętność projektowania API w FastAPI dla systemów RAG oraz integracji z modelami embeddingowymi i LLM
Dla kogo?
Programiści Python i analitycy danych z co najmniej podstawowym doświadczeniem, chcący budować systemy RAG oraz aplikacje oparte o modele językowe
Backend developerzy zainteresowani integracją LLM z istniejącymi systemami oraz budową mikroserwisów API
Inżynierowie danych oraz osoby pracujące z danymi, chcące tworzyć pipeline’y przetwarzania dokumentów i budować bazy wiedzy
Osoby znające podstawy Pythona i SQL, które chcą zdobyć praktyczne umiejętności w pracy z bazami wektorowymi i systemami wyszukiwania semantycznego
Efekty kształcenia
Uczestnik projektuje i implementuje kompletny system RAG w Pythonie, obejmujący pipeline przetwarzania danych, embeddingi i backend API
Uczestnik buduje pipeline przetwarzania dokumentów PDF oraz tworzy bazę wiedzy opartą o bazę wektorową PostgreSQL pgvector
Uczestnik projektuje i wdraża bazę wektorową z wykorzystaniem similarity search (cosine similarity, L2), zgodnie z praktykami komercyjnymi
Uczestnik tworzy mikroserwis API w FastAPI obsługujący zapytania RAG oraz integrujący retrieval, reranking i generowanie odpowiedzi
Uczestnik wykorzystuje Docker, Docker Compose i Task do budowy skalowalnego środowiska developerskiego i produkcyjnego
Uczestnik zarządza schematem bazy danych, tworzy migracje (Alembic) i komunikuje się z bazą SQL przy użyciu SQLAlchemy ORM
Uczestnik dobiera strategie chunkingu (semantic, recursive, document-aware) oraz modele embeddingowe do konkretnych przypadków użycia
Uczestnik przeprowadza ewaluację jakości odpowiedzi systemu RAG, analizuje skuteczność retrieval i identyfikuje obszary optymalizacji
Uczestnik implementuje query processing (query rewriting, decomposition) oraz optymalizuje parametry retrieval (top-k, diversity search)
Uczestnik pracuje z narzędziami takimi jak DVC, Git i FastAPI, zapewniając reprodukowalność pipeline’u RAG i gotowość do wdrożeń produkcyjnych
Wymagania
Podstawowa znajomość języka Python (funkcje, klasy, praca z modułami)
Podstawowa znajomość komunikacji sieciowej (HTTP, REST API) oraz relacyjnych baz danych (SQL)
Znajomość podstaw pracy z modelami danych w Pythonie (np. z wykorzystaniem Pydantic)
Podstawowa umiejętność pracy z systemem kontroli wersji (Git)
Swobodne korzystanie ze środowiska programistycznego (np. Jupyter Notebook lub Visual Studio Code)
Podstawowa znajomość Dockera będzie dodatkowym atutem, ale nie jest wymagana
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
Autorem szkolenia jest Wiktor Piela
Język Python wykorzystuję na co dzień realizując projekty z szeroko pojętego data science, inżynierii danych oraz tworzenia backendu dla aplikacji webowych. Początkowo pracowałem jako młodszy analityk danych w branży FMCG, jednak dostrzegając duży potencjał ekosystemu Pythona, zacząłem poszerzać swoje umiejętności z zakresu frameworków webowych, a także uczenia maszynowego oraz sieci neuronowych. Aktualnie zajmuję się rozwojem systemów predykcyjnych bazujących na tradycyjnych algorytmach ML, a…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
