Tworzenie aplikacji AI z LlamaIndex. Praktyczny przewodnik po RAG i LLM Bielsko-Biała

Chociaż sztuczna inteligencja (AI), która generuje treści, wciąż się rozwija, to nadal boryka się z pewnymi ograniczeniami. Mogą to być trudności w odróżnianiu prawdy od fałszu, problem z utrzymaniem kontekstu w długich dokumentach czy występowanie nieprzewidywalnych błędów w rozumowaniu i zapamiętywaniu faktów. Generowanie wspomagane wyszukiwaniem (RAG) ułatwia rozwiązanie wielu z tych problemów, a narzędziem, które do tego służy, jest framework LlamaIndex. Dzięki tej książce łatwiej poradzisz sobie z zastosowaniem ekosystemu LlamaIndex i nauczysz się wdrażać własne projekty. Na praktycznych przykładach zapoznasz się z procesem personalizacji i uruchamiania projektów LlamaIndex. Dowiesz się, jak przezwyciężać ograniczenia dużych modeli językowych, zbudujesz aplikacje dla użytkowników końcowych i zdobędziesz umiejętności w zakresie pozyskiwania danych, indeksowania, obsługi zapytań i łączenia dynamicznych baz wiedzy, obejmujących generatywną sztuczną inteligencję i duże modele językowe. Pod koniec lektury zagłębisz się w tworzenie niestandardowych rozwiązań, co pozwoli Ci dobrze zrozumieć możliwości i zastosowania LlamaIndex. Ciekawsze zagadnienia: ekosystem LlamaIndex i typowe przypadki użycia wprowadzanie i analizowanie w LlamaIndex danych z różnych źródeł tworzenie zoptymalizowanych indeksów wysyłanie zapytań do LlamaIndex i interpretacja odpowiedzi koszty i kwestie prywatności wdrażanie aplikacji LlamaIndex Pokochaj LlamaIndex - i twórz inteligentne aplikacje! Spis treści: O autorze O korektorach merytorycznych Wstęp Część 1. Wprowadzenie do generatywnej sztucznej inteligencji i frameworka LlamaIndex Rozdział 1. Duże modele językowe Wprowadzenie do generatywnej sztucznej inteligencji i dużych modeli językowych Czym jest generatywna sztuczna inteligencja? Czym jest duży model językowy? Rola modeli LLM we współczesnej technologii Wyzwania związane z modelami LLM Wzbogacanie modeli LLM za pomocą techniki RAG Podsumowanie Rozdział 2. LlamaIndex - ukryty skarb. Wprowadzenie do ekosystemu LlamaIndex Wymagania techniczne Optymalizacja modeli językowych - dostrajanie, RAG i LlamaIndex Czy RAG jest jedynym rozwiązaniem? Co robi LlamaIndex? Zalety stopniowego ujawniania złożoności Ważny aspekt do uwzględnienia System PITS - praktyczny projekt z użyciem LlamaIndexu Sposób działania PITS Przygotowanie środowiska programistycznego Instalacja Pythona Instalacja Gita Instalacja LlamaIndexu Rejestracja klucza API OpenAI Odkrywanie Streamlita - idealnego narzędzia do szybkiego tworzenia i wdrażania Instalacja Streamlita Ostatnie przygotowania Ostatnia kontrola Struktura bazy kodu w LlamaIndexie Podsumowanie Część 2. Rozpoczęcie pracy nad pierwszym projektem z użyciem frameworka LlamaIndex Rozdział 3. Rozpoczęcie pracy z LlamaIndexem Wymagania techniczne Podstawowe elementy LlamaIndexu: dokumenty, węzły i indeksy Dokumenty Węzły Ręczne tworzenie obiektu węzła Automatyczne wyodrębnianie węzłów z dokumentów za pomocą separatorów Węzły nie lubią być same - pragną relacji Dlaczego relacje są ważne? Indeksy Czy to już wszystko? Jak to właściwie działa? Krótki przegląd kluczowych koncepcji Budowanie pierwszej interaktywnej aplikacji z użyciem dużego modelu językowego Wykorzystanie funkcji rejestru w LlamaIndexie do zrozumienia logiki i debugowania aplikacji Dostosowywanie modelu LLM używanego przez LlamaIndex Łatwe jak 1, 2, 3 Parametr temperatury Jak używać Settings do dostosowywania modeli? Rozpoczęcie pracy nad projektem PITS - ćwiczenie praktyczne Kod źródłowy Podsumowanie Rozdział 4. Wprowadzanie danych do przepływu pracy RAG Wymagania techniczne Wprowadzanie danych za pomocą LlamaHuba Wprowadzenie do LlamaHuba Stosowanie ładowarek danych z LlamaHuba do wprowadzania treści Wprowadzanie danych ze stron internetowych Wprowadzanie danych z bazy danych Masowe wprowadzanie danych ze źródeł z wieloma formatami plików Podział dokumentów na węzły Proste narzędzia do dzielenia tekstu Stosowanie bardziej zaawansowanych parserów węzłów Stosowanie parserów relacyjnych Parsery węzłów i dzielniki tekstu to to samo? Parametry chunk_size i chunk_overlap Uwzględnianie relacji za pomocą parametru include_prev_next_rel Praktyczne sposoby wykorzystania modeli tworzenia węzłów Praca z metadanymi w celu poprawy kontekstu SummaryExtractor QuestionsAnsweredExtractor TitleExtractor EntityExtractor KeywordExtractor PydanticProgramExtractor MarvinMetadataExtractor Definiowanie własnego ekstraktora Czy posiadanie wszystkich metadanych jest zawsze potrzebne? Szacowanie kosztów użycia ekstraktorów metadanych Najlepsze praktyki minimalizowania kosztów Oszacuj maksymalne koszty przed uruchomieniem rzeczywistych ekstraktorów Ochrona prywatności z ekstraktorami metadanych i nie tylko Usuwanie danych osobowych i innych wrażliwych informacji Stosowanie przepływu wprowadzania danych do poprawy wydajności Obsługa dokumentów zawierających mieszankę tekstu i danych tabelarycznych Praktyka: wprowadzanie materiałów szkoleniowych do aplikacji PITS Podsumowanie Rozdział 5. Indeksowanie z LlamaIndexem Wymagania techniczne Indeksowanie danych - spojrzenie z lotu ptaka Wspólne cechy wszystkich typów indeksów VectorStoreIndex Prosty przykład użycia indeksu VectorStoreIndex Osadzenia Wyszukiwanie podobieństwa Jak LlamaIndex generuje osadzenia? Jak wybrać model osadzający? Przechowywanie i ponowne używanie indeksów StorageContext Różnica między magazynami wektorów a wektorowymi bazami danych Inne typy indeksów w LlamaIndexie SummaryIndex DocumentSummaryIndex KeywordTableIndex TreeIndex KnowledgeGraphIndex Budowanie indeksów na bazie innych indeksów za pomocą grafu ComposableGraph Jak używać grafu ComposableGraph? Więcej szczegółów na temat grafu ComposableGraph Szacowanie potencjalnych kosztów budowy i przeszukiwania indeksów Indeksowanie materiałów do nauki PITS - praktyka Podsumowanie Część 3. Przeszukiwanie i praca ze zindeksowanymi danymi Rozdział 6. Zapytania do własnych danych, część 1. - wyszukiwanie kontekstu Wymagania techniczne Mechanika zapytań - przegląd Podstawowe mechanizmy wyszukiwania Mechanizmy wyszukiwania dla indeksu VectorStoreIndex Mechanizmy wyszukiwania dla indeksu SummaryIndex Mechanizmy wyszukiwania dla indeksu DocumentSummaryIndex Mechanizmy wyszukiwania dla indeksu TreeIndex Mechanizmy wyszukiwania dla indeksu KnowledgeGraphIndex Wspólne cechy mechanizmów wyszukiwania Wydajne wykorzystanie mechanizmów wyszukiwania - operacja asynchroniczna Budowanie bardziej zaawansowanych mechanizmów wyszukiwania Prosta (naiwna) metoda wyszukiwania Implementacja filtrów metadanych Użycie selektorów do bardziej zaawansowanej logiki decyzyjnej Narzędzia Przekształcanie i przeformułowywanie zapytań Tworzenie trafniejszych podzapytań Gęste i rzadkie wyszukiwanie Wyszukiwanie gęste Wyszukiwanie rzadkie Implementacja wyszukiwania rzadkiego w LlamaIndexie Inne zaawansowane metody wyszukiwania Podsumowanie Rozdział 7. Zapytania do własnych danych, część 2. - postprocessing i synteza odpowiedzi Wymagania techniczne Ponowne sortowanie, przekształcanie i filtrowanie węzłów za pomocą postprocesorów Sposoby filtrowania, przekształcania i ponownego sortowania węzłów przez postprocesory SimilarityPostprocessor KeywordNodePostprocessor PrevNextNodePostprocessor LongContextReorder PIINodePostprocessor i NERPIINodePostprocessor MetadataReplacementPostProcessor SentenceEmbeddingOptimizer Postprocesory oparte na czasie Postprocesory ponownie sortujące Uwagi końcowe dotyczące postprocesorów węzłów Syntezatory odpowiedzi Implementacja technik parsowania wyników Wydobywanie ustrukturyzowanych wyników za pomocą parserów Wydobywanie ustrukturyzowanych wyników za pomocą programów Pydantic Budowanie i stosowanie silników zapytań Metody budowania silników zapytań Zaawansowane zastosowania interfejsu QueryEngine Praktyka - budowanie quizów w aplikacji PITS Podsumowanie Rozdział 8. Budowanie czatbotów i agentów za pomocą LlamaIndexu Wymagania techniczne Czatboty i agenty Silnik czatu Tryby czatu Implementacja strategii agentowych w aplikacjach Tworzenie narzędzi i klas ToolSpec dla agentów Pętle rozumowania OpenAIAgent ReActAgent Jak wchodzimy w interakcję z agentami? Udoskonalanie agentów za pomocą narzędzi użytkowych Wykorzystanie agenta LLMCompiler do bardziej zaawansowanych scenariuszy Wykorzystanie niskopoziomowego API Agent Protocol Praktyka - implementacja śledzenia przebiegu rozmów w aplikacji PITS Podsumowanie Część 4. Dostosowywanie, inżynieria promptów i końcowe uwagi Rozdział 9. Dostosowywanie i wdrażanie projektu stworzonego za pomocą LlamaIndexu Wymagania techniczne Dostosowywanie komponentów RAG Jak LLaMA i LLaMA 2 zmieniły krajobraz modeli otwartoźródłowych? Uruchamianie lokalnego modelu LLM za pomocą LM Studio Routing między modelami LLM za pomocą takich usług jak Neutrino lub OpenRouter A co z dostosowywaniem modeli osadzania? Wygodne i gotowe do użycia Llama Packs Interfejs wiersza poleceń LlamaIndexu Użycie zaawansowanych technik śledzenia i oceny Śledzenie przepływów RAG za pomocą Phoenixa Ocena systemu RAG Wprowadzenie do wdrażania z użyciem frameworka Streamlit Praktyka - przewodnik krok po kroku dotyczący wdrażania Wdrażanie projektu PITS na Streamlit Community Cloud Podsumowanie Rozdział 10. Wytyczne i najlepsze praktyki inżynierii promptów Wymagania techniczne Dlaczego prompty są Twoją tajną bronią? Wykorzystanie promptów przez LlamaIndex Dostosowywanie domyślnych promptów Wykorzystanie zaawansowanych technik tworzenia promptów w LlamaIndexie Złote zasady inżynierii promptów Dokładność i jasność wyrażenia Ukierunkowanie Jakość kontekstu Ilość kontekstu Wymagany format wyjściowy Koszt wnioskowania Ogólne opóźnienie systemu Wybór odpowiedniego modelu LLM do zadania Powszechne metody tworzenia skutecznych promptów Podsumowanie Rozdział 11. Zakończenie i dodatkowe źródła wiedzy Inne projekty i dalsza nauka Zbiór przykładów na stronie LlamaIndexu Przyszłość - nagrody Replita W grupie siła - społeczność LlamaIndexu Kluczowe wnioski i słowo końcowe O przyszłości RAG w szerszym kontekście generatywnej sztucznej inteligencji Krótka filozoficzna myśl Podsumowanie O autorze: Andrei Gheorghiu jest doświadczonym inżynierem, wykładowcą i konsultantem z ponad 20-letnim stażem w branży. Specjalizuje się w zarządzaniu usługami IT, cyberbezpieczeństwie, audycie i projektach technologicznych. Posiada liczne certyfikaty, w tym ITIL Master, CISA, CISSP i Lead Auditor ISO 27001. Przeszkolił tysiące specjalistów, którym pomagał rozwijać kompetencje w obszarze IT.