RAG-конвейер «Документы → Ответ»

Копоративное обучение искусственному интеллекту

Корпоративное обучение искусственному интеллекту

RAG‑конвейер «Документы 
→ Ответ»

Соберите корпоративного ассистента‑«копию ChatGPT»,
который отвечает на вопросы по вашим документам.
Импортируйте PDF/DOCX, превратите их в эмбеддинги и сохраните в Milvus.
Соберите RAG‑цепочку в LangChain‑ru и оптимизируйте k‑nearest ранжирование.

Что?

Построите ingestion‑pipeline, создадите векторное хранилище, соберёте RAG‑цепочку и настроите ранжирование k‑nearest.
Формат и длительность

до 25 человек; 8 часов
Для кого?

Data‑инженеры и системные аналитики, которым нужно быстро внедрить поиск по неструктурированным корпоративным данным.

Содержание

Подготовка данных и ingestion. Разбор архитектуры RAG, настройка пайплайна для импорта PDF/DOCX и генерации эмбеддингов.
Milvus как векторное хранилище. Развёртывание кластера, загрузка эмбеддингов, базовые операции индексации.
Сборка LangChain‑цепочки. Соединяем retriever и генератор (OpenAI / GigaChat) в LangChain‑ru, реализуем «Документы → Ответ».
Оптимизация поиска. Тонкая настройка k‑nearest ранжирования, рекомендации по масштабированию и продакшн‑деплою.

Технологический стек

LangChain‑ru, Milvus, OpenAI API, GigaChat API

Предварительные требования

Python, Docker, базовый SQL

Эксперты

Дмитрий Жечков

Эксперт по AI и облачным решениям, архитектор облачных решений в Yandex Cloud, сосредоточен на разработке ПО с использованием Generative AI и агентных архитектур.
Носов Андрей

Профильный специалист с более чем 20-летним опытом в ИТ, специализирующийся на архитектуре решений в области ИИ, LLM, RAG, NLP, системной интеграции и руководстве мультидисциплинарными командами. Практический опыт разработки 27 AI/ML решений. Эксперт в построении AI-инфраструктур и развитии продуктовых команд.
Александр Миленкин

ML Team Lead | Dodo Brands
Senior Data Scientist | Red Mad Robot
Senior Data Scientist | X5 Retail Group

Стоимость

Фиксированная цена

за командный пакет

25 000 ₽/участник

для физических лиц

Ознакомьтесь с другими
мастер-классами

Закрываем конкретный вызов: внедрить RAG‑конвейер на LangChain, настроить MLOps‑CI/CD и мониторинг, освоить LoRA/RLHF‑тонкую настройку или добавить guardrails и безопасность

мастер-класс

LangChain Start. От первого запроса до работающего чат-бота

Соберите FAQ-бота для службы поддержки, деплой через Streamlit