skoleni.net Školení, kurzy, semináře # rag – retrieval augmented generation

KURZ: RAG – Retrieval-Augmented Generation

Tento workshop ukazuje, jak postavit RAG jako praktický architektonický vzor pro práci s firemními znalostmi a dokumenty. Projdeme si celou pipeline ingestion - retrieval - generation , kde pochopíte , proč je kvalita retrievalu klíčová, a vyzkoušíte si návrh i ladění vyhledávání včetně hybridních přístupů (vector + fulltext), fúze výsledků (RRF) a technik jako query rewriting nebo metadata-aware retrieval. Cílová skupina: Backend - Full-stack vývojáři Tech lead - Architekti

Program kurzu

Backend / Full-stack vývojáři

Tech lead / Architekti

AI / ML engineers

Vývojáři pracující s firemními dokumenty a LLM
Cíle workshopu:

RAG jako architektonický vzor

typy vyhledávání a jejich kombinace

retrieval jako klíčový faktor úspěchu RAG

volba přístupu: RAG × hybrid × agentní přístup Osnova kurzu Úvod do RAG

Proč RAG vznikl

limity LLM (knowledge cutoff, halucinace)

proč víc promptu nefunguje

grounding odpovědí

Kdy RAG použít

firemní dokumenty

znalostní báze

technická, právní, procesní data

Kdy RAG nepoužít

jednoduché CRUD dotazy

strukturovaná data bez textu
Architektura RAG systému

High-level architektura

ingestion pipeline

embeddings

vector store

retrieval

generation

Varianty RAG

basic RAG

conversational RAG

hybrid RAG

agentic RAG (náhled)

Typické problémy

špatný retrieval

nekvalitní data

přetížený kontext
Data ingestion, chunking & metadata

Typy vstupních dat

PDF, DOCX, HTML

SharePoint / Confluence

e-maily, tabulky

Chunking strategie

fixed-size

semantic chunking

adaptive chunking

overlap vs kontext

Metadata (kritické)

jazyk

zdroj

typ dokumentu

datum / verze

oprávnění
Embeddings & Vector Databases

Embeddings

co embedding reprezentuje

dimenze, normalizace

vícejazyčnost

limity embeddingů

Vectorová databáze

PostgreSQL + pgvector

specializované vector DB

škálování (miliony chunků)

Indexy & výkon

cosine / dot / L2

HNSW vs IVF

latency × přesnost
Typy vyhledávání v RAG

Vector similarity search (baseline)

sémantická podobnost

top-k, threshold

slabiny (čísla, názvy, přesné termíny)

Fulltext / BM25

lexikální relevance

silné pro názvy, ID, verze

slabé na parafráze

Hybridní vyhledávání (Vector + FTS)

paralelní vyhledávání

dvoufázové strategie

vážené kombinace

RRF / RRT (Reciprocal Rank Fusion)

fúze pořadí místo skóre

robustní vůči špatnému scoringu

ideální pro: vector + FTS, multi-query, agentní retrieval

Query rewriting (LLM-assisted)

přeformulování dotazu

domain-specific dotazy

guardrails, náklady

Multi-query retrieval

jeden dotaz -> více dotazů

fúze výsledků (RRF)

lepší pokrytí vágních dotazů

Metadata-aware retrieval

filtrace před / po vyhledávání

jazyk, zdroj, datum

zásadní pro enterprise RAG

Hierarchické vyhledávání

dokument -> kapitola -> chunk

vhodné pro dlouhé dokumenty

snížení šumu

Agent-assisted retrieval (úvod)

agent jako orchestrátor

iterativní vyhledávání

adaptivní strategie
Generation & prompt design

Kontextové prompty

systémový prompt

pravidla citací

práce se zdroji

Grounding odpovědí

odpovídej jen z kontextu

fallback strategie

kontrola halucinací

Typické chyby

příliš mnoho kontextu

špatné pořadí chunků

ignorování relevance
Pokročilé RAG scénáře

Conversational RAG

práce s historií

re-query podle kontextu

Agentic RAG

agent jako planner

iterativní retrieval

validace odpovědí

GraphRAG (úvod)

entity & vztahy

kdy dává smysl

kdy je overkill
Kdy RAG (ne)používat

Anti-patterny

RAG místo SQL

RAG bez metrik

RAG bez kvalitních dat

Decision framework

LLM only × RAG × Hybrid × Agent

náklady

latence

údržba

Technické požadavky:

Notebook s připojením k internetu

Python prostředí (lokálně nebo v cloud IDE)

Přístup k LLM API (klíč / účet)

Doporučeno: VS Code + základní tooling pro práci s JSON/logy
Požadavky na účastníky:

základní práce s LLM API

znalost Pythonu

základ databází / SQL

Podrobnosti o kurzu

Kurz je určen pro

Cílová skupina: Backend - Full-stack vývojáři Tech lead - Architekti AI - ML engineers Vývojáři pracující s firemními dokumenty a LLM Cíle workshopu: RAG jako architektonický vzor typy vyhledávání a jejich kombinace retrieval jako klíčový faktor úspěchu RAG volba přístupu: RAG × hybrid × agentní přístup
Pořadatel kurzu

DataScript s.r.o.
Obchodní podmínky

Objednavateli bude zaslána závazná přihláška k podpisu. Poté bude účastník na školení registrován. Objednavatel uhradí částku kurzovného za výše uvedeného posluchače na základě faktury vystavené poskytovatelem.

Dotazy a komentáře ke kurzu

Přihláška na kurz

Odesláním formuláře 'Přihláška na kurz' se zaregistruje Vaše přihláška a na zadaný email přijde potvrzení o odeslání této přihlášky. V případě poskytnutí osobních údajů, souhlasíte s archivací těchto údajů v souladu s podmínkami zákona č. 101/2000 Sb., o ochraně osobních údajů, ve znění pozdějších předpisů. Souhlas se zpracováním osobních údajů pro marketingové účely nevyžadujeme, tyto data nezpracováváme. Server pouze zprostředkovává objednávky kurzů & kontakt na jejich pořadatele. Před odesláním přihlášky je nutno souhlasit s obchodními podmínkami účasti na kurzu daného pořadatele kurzu. Neodpovídáme za správnost uvedených údajů. © OBEC.net, sro.

URL >> https://skoleni.net/skoleni_149216_rag-–-retrieval-augmented-generation.html

Retrieval-Augmented Generation

Počet kurzů: 149357
Máte zájem nabízet Vaše kurzy na těchto stránkách? - Pošlete nám email na adresu info(at)skoleni.net

✨ Budoucnost vzdělávání je tady

KURZ: RAG – Retrieval-Augmented Generation

Program kurzu

Podrobnosti o kurzu

Přihláška na kurz