Копоративное обучение искусственному интеллекту

Корпоративное обучение искусственному интеллекту

RAG‑конвейер
по внутренним документам

Собираем RAG-конвейер: чанкинг документов, векторное хранилище на Milvus, сборка цепочки через LangChain, re-ranking и гибридный поиск.

Что?

Команда собирает RAG-конвейер от загрузки документов до оптимизированного поиска - с чанкингом, векторным хранилищем на Milvus, re-ranking и гибридным поиском
Формат и длительность

до 25 человек; 8 часов
Для кого?

Python-разработчики и ML-инженеры, которые хотят разобраться в RAG не поверхностно, а на уровне каждого этапа пайплайна

Содержание

Модуль 1. Подготовка данных

Загрузка документов разных форматов
Стратегии чанкинга: фиксированные окна, семантическое разбиение
Очистка и нормализация текста перед индексацией

Модуль 2. Векторное хранилище

Принципы векторного поиска и выбор модели эмбеддингов
Развёртывание Milvus и загрузка чанков
Настройка индексов и метаданных для фильтрации

Модуль 3. Сборка RAG-цепочки

Соединение хранилища с LLM через LangChain
Формирование промпта с контекстом из найденных фрагментов
Обработка streaming-вывода и структурирование ответа

Модуль 4. Оптимизация поиска

Re-ranking результатов
Гибридный поиск: сочетание векторного и полнотекстового подходов
Декомпозиция сложных запросов и мультишаговый retrieval

Технологический стек

Python, LangChain, Milvus, модели эмбеддингов

Предварительные требования

Python (базовый уровень), понимание что такое LLM и эмбеддинги, опыт работы с API

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

от 300 000 рублей

за команду до 25 человек

Ознакомьтесь с другими
мастер-классами

Закрываем конкретный вызов: внедрить RAG‑конвейер на LangChain, мониторинг, освоить LoRA/RLHF‑тонкую настройку или добавить guardrails

мастер-класс

LangChain Enterprise: От локальной модели до агентных систем

Разворачивание локальной LLM, собирает RAG, агент на LangChain и Gradio с мониторингом.

Подробнее

мастер-класс

RAG-конвейер

Собираем RAG-конвейер: чанкинг документов, векторное хранилище на Milvus, сборка цепочки через LangChain, re-ranking и гибридный поиск

Подробнее

мастер-класс

Путеводитель по разработке с LangGraph

Проектирование ИИ-агентов в LangGraph — от Reflection и ReAct до Agentic RAG, персистентность, асинхронност. Реализация в Flowise.

Подробнее

мастер-класс

LLMOps с LangChain: тесты, guardrails, мониторинг

Настраиваем контроль качества LLM-системы: eval-тесты промптов в LangSmith, guardrails для валидации ответов, мониторинг с алертами и автопроверки в CI/CD

Подробнее

мастер-класс

Fine-Tuning & RLHF российских LLM

Команда дообучает отечественную LLM методом LoRA, проводит RLHF-выравнивание, сравнивает качество до/после и упаковывает модель для деплоя

Подробнее