Dalam kursus ini, kita akan belajar cara mengoptimumkan fail dan data untuk Retrieval-Augmented Generation, atau RAG.

Di akhir kursus ini, anda akan mendapat langkah-langkah praktikal yang boleh diikuti untuk meningkatkan kualiti jawapan yang dihasilkan oleh LLM apabila menggunakan sumber pengetahuan tersuai.

RAG menggabungkan dua konsep utama: retrieval dan generation. Ia membolehkan ejen AI anda mendapatkan maklumat tepat daripada sumber data yang besar, seperti katalog produk atau senarai polisi, dan kemudian menggunakan model bahasa untuk menghasilkan jawapan yang semula jadi dan bermaklumat. Ini bermakna ejen anda bukan sahaja memberi jawapan, tetapi menyediakan jawapan yang tepat daripada sumber yang dipercayai—dengan pantas dan tepat.

Tetapi inilah hakikatnya: kualiti jawapan ejen anda sangat bergantung pada kualiti dan struktur data yang anda masukkan. Jika data yang dimasukkan berselerak, berulang, atau tidak teratur, jawapan ejen anda juga akan terjejas. Di sinilah pra-pemprosesan data menjadi sangat penting. Dengan menyediakan data anda dengan teliti, anda membina asas untuk jawapan yang berkualiti tinggi, bermakna, dan tepat.

Dalam siri ini, kami akan membimbing anda melalui semua yang perlu diketahui untuk menyediakan fail dan data anda untuk RAG. Kami akan bincangkan:

• Cara menyusun dokumen anda supaya lebih jelas,
• Amalan terbaik untuk membersihkan dan memudahkan teks,
• Menambah metadata dan ringkasan untuk konteks yang lebih kaya,
• Mengoptimumkan data bukan teks, seperti imej dan jadual,
• Pengesahan dan penyelenggaraan data.

Setiap video akan menghuraikan langkah-langkah ini dengan contoh, memberikan anda panduan praktikal yang boleh terus digunakan dalam projek AI anda. Di akhir siri ini, anda akan mempunyai alat untuk mengambil sebarang set data, mengubahnya untuk RAG, dan mengoptimumkan prestasi ejen AI anda.