本課程重點介紹如何將傳統資料庫功能與向量搜尋功能結合，以優化大規模檢索增強生成 (RAG) 應用程式的效能和成本效益。
關於此專業課程
本課程重點介紹如何將傳統資料庫功能與向量搜尋功能結合，以優化大規模檢索增強生成 (Retrieval Augmented Generation。RAG) 應用的效能和成本效益。
您將學習如何應用以下關鍵技術：
- 預過濾和後過濾：這些技術用於根據特定條件過濾結果。預過濾在資料庫索引建立階段完成，而後過濾在向量搜尋執行後套用。
- 投影：此技術涉及選擇查詢返回欄位的子集，以最小化輸出的大小。
- 重新排序：這涉及根據其他資料欄位對搜尋結果進行重新排序，以使更理想的結果在清單中排名更高。
- 提示壓縮：此技術用於縮短提示的長度，在大規模應用程式中，處理提示可能成本高昂。
您還將透過實踐練習學習如何：
- 使用 MongoDB 實作 RAG 的向量搜尋。
- 開發多階段 MongoDB 聚合管道。
- 使用元資料優化和限制資料庫操作傳回的搜尋結果，從而提高效率和相關性。
- 透過在 MongoDB 聚合管道中合併投影階段來簡化資料庫操作的輸出，減少返回的資料量並優化效能、記憶體使用和安全性。
- 重新排序文件以提高資訊檢索的相關性和質量，並使用元資料值確定重新排序的位置。
- 實現快速壓縮，並直觀地了解如何使用它以及它為 LLM 應用程式帶來的操作優勢。
開始使用快速壓縮和查詢最佳化技術來優化 RAG 應用程式的效率、安全性、查詢處理速度和成本。
到官方網站了解本課程與上課
應用的學習專案
在本專業課程，你將完成 2 個專案。 第一個提供你計算機安全方面的實踐經驗。 第二個是產品拆解，它給你有關如何構建產品的關鍵見解。 作為第二個專案的一部分，你將構建材料清單( 又稱BOM，Bill of Materials ) 。
你將學到的內容有
- 將向量搜尋功能與傳統資料庫操作結合，建立高效且經濟高效的 RAG 應用程式。
- 了解如何使用預過濾、後過濾和投影技術來加快查詢處理速度並最佳化查詢輸出。
- 使用提示( prompt )壓縮技術來縮短在大型應用程式中處理成本高昂的提示( prompts )的長度。
你將獲得的技能：
| 操作性資料庫 | MongoDB | Prompt Engineering |
| Large Language Modeling( LLM ) | 資料管道 | 查詢語言 |
| 元資料管理 | 效能調優 |
字幕
英文
製作方
DeepLearning.AI
DeepLearning.AI 是一家致力於打造全球 AI 人才社群的教育科技公司。 DeepLearning.AI 的專家主導的教育體驗，為 AI 從業者和非技術專業人士提供從基礎到高級應用的全方位學習工具，賦能他們構建 AI 賦能的未來。
到官方網站了解本課程與上課
你可能會有興趣
- Coursera 訂閱 : 無限制訪問 7,000 多項世界一流的課程、實踐專案和工作準備證書計劃 – 只需支付一次全包式訂閱費用
- ★想要加強英文能力嗎？– 練好英文是最大的學習槓桿
- 如何找工作學習地圖 – 找工作不要靠運氣！
- 從 Soft & Share 各種社團頻道挑選你喜歡的加入
發表迴響