语言 :
RAG（检索增强生成）在大语言模型应用中扮演着关键角色。它结合了检索与生成技术，通过从外部知识库中检索相关信息，显著提高了大语言模型回答问题的准确性和可靠性，减少了“幻觉”问题。凭借能够在无需重新大规模训练模型的情况下，利用外部信息源提升文本生成的质量和相关性，RAG 成为 LLM 领域的关键技术之一。
NVIDIA 深度学习培训中心（DLI）汇总 5 门 RAG 开发部署系列课程，为您打造从基础入门到系统进阶的专业学习路径，结合理论基础和动手实践，您将可以灵活使用 RAG 技术，快速应对各行业场景模型从规划、构建到落地实施的需求。
本课涵盖混合检索器（用多个较小的微调专家模型而非单一大型通用模型）以及一个能决策为 RAG 添加哪些组件的认知框架。向您展示如何在每次迭代设计变更时评估 RAG 的性能，用 human-as-a-judge 和 LLM-as-a-judge 来衡量这些技术相对于朴素 RAG 的影响。使用本课程学到的经验，您将能够构建出满足严肃场景需求的基于 LLM 的 RAG 应用。
．课程时长：4 学时（课后 6 个月内可以继续访问课件，实验资源用量有限额）
．课程语言和模式：中文课件+视频，在线自主培训
．课程涵盖的技术：NVIDIA NIMs、LangChain、Redis、NextJS、FastAPI、Docker Compos
．学习目标：
．构建一个真实的、生产级别的搜索和总结 RAG 应用
．创建并部署几个协作的微服务，管理 RAG 应用的各类需求
．连接、更新、添加和自动扩展应用组件
．使用 human-as-a-judge 和 LLM-as-a-judge 评估您的 RAG 工作流性能
．课程大纲：
．课程介绍：了解课程中使用的关键应用组件和课程结构
．探索和准备您的检索数据集：准备我们将在 RAG 应用中使用的数据，采用数据分块的策略以便于检索，并借助 LLM 满足多种使用场景
．加载向量 / 文档数据库：创建用于检索数据的索引，尤其是依赖于将文本表示为向量（嵌入）的向量索引
．评估检索：实现一个界面来收集应用性能数据，这是许多语言场景都面临的一个难题
．更好的生成：将前面的元素组合到最终的 Web 应用中，包括一个初步分类步骤，来评估用户的意图并智能地选择搜索和 LLM 提示的正确设置
．课程时长：45 分钟（课后 6 个月内可以继续访问课件）
．课程语言和模式：中文视频，在线自主培训
．学习目标：
．理解检索增强生成的基本概念
．学习 RAG 检索的过程
．学习 NVIDIA AI Foundations 以及构成 RAG 模型的组件
．课程时长：8 学时（课后 6 个月内可以继续访问课件，实验资源用量有限额）
．课程语言和模式：英文课件+视频，在线自主培训
．课程证书：通过课件中的评估测试，系统自动生成证书
．学习目标：
．构建 LLM 系统，利用内部和外部推理组件实现与用户的可预测交互
．设计对话管理和文档推理系统，用于维护状态并将信息强制转换为结构化格式
．利用嵌入模型进行高效的内容检索的相似性查询和生成对话护栏
．开发、模块化和评估检索增强生成（RAG）模型，无需任何微调即可回答有关研究论文数据集的问题
．课程时长：3 学时（课后 6 个月内可以继续访问课件，实验资源用量有限额）
．课程语言和模式：中文课件+视频，在线自主培训
．课程涵盖的技术：NVIDIA NIMs、LangChain、Redis、NextJS、FastAPI、Docker Compos
．学习目标：
．构建一个真实的、生产级别的搜索和总结 RAG 应用
．创建并部署几个协作的微服务，管理 RAG 应用的各类需求
．连接、更新、添加和自动扩展应用组件
．使用 human-as-a-judge 和 LLM-as-a-judge 评估您的 RAG 工作流性能
．课程时长：4 学时（课后 6 个月内可以继续访问课件，实验资源用量有限额）
．课程语言和模式：中文课件+视频，在线自主培训
．课程涵盖的技术：NVIDIA NIMs、Kubernetes、Helm、Grafana、Prometheus
．学习目标：
．使用 Helm 和 NVIDIA RAG Operator 将 RAG 应用部署到 Kubernetes 集群上
．利用 NVIDIA NIM 实现可扩展的容器化 LLM 和嵌入模型
．连接、更新、添加和自动扩展应用组件
．使用 Prometheus 和 Grafana 监控应用性能
．课程时长：8 学时（课后 6 个月内可以继续访问课件，实验资源用量有限额）
．课程语言和模式：中文，讲师指导的培训班
．课程证书：通过课件中的评估测试，系统自动生成证书
．近期培训班时间：2024 年 10 月 24 日
．课程涵盖的技术：大语言模型（LLM）推理接口、训练数据集设计、LangChain、Gradio、LangServe、带有运行时状态的对话管理、文档处理、语义相似性和语意护栏的嵌入，RAG 智能体向量存储
．课程大纲：
．LLM 推理接口
．使用 LangChain, Gradio 和 LangServe 设计训练数据集
．运行状态下的对话管理
．文档处理
．语义相似性和护栏的嵌入
．为 RAG 代理提供的向量存储
．评估测试和总结
如果您希望系统全面地精进 AI 开发技能和提升效率，学习更多生成式 AI 与大语言模型技术课程，请关注并报名定期举办的 NVIDIA AI 培训班。
现在购买 5 个席位，立享 8 折优惠，立即报名锁定席位。
8 月 22 日：构建基于扩散模型的生成式 AI 应用
9 月 05 日：深度学习基础 —— 理论与实践入门（升级版）
9 月 19 日：构建基于大语言模型（LLM）的应用
10 月 10 日：高效定制大语言模型（LLM）
10 月 24 日：构建大语言模型 RAG 智能体
11 月 07 日：构建基于扩散模型的生成式 AI 应用
新课持续发布，敬请关注！
*与NVIDIA产品相关的图片或视频（完整或部分）的版权均归NVIDIA Corporation所有。
未来展望
