ในหลักสูตรนี้ เราจะเรียนรู้วิธีการเพิ่มประสิทธิภาพไฟล์และข้อมูลสำหรับ Retrieval-Augmented Generation หรือ RAG

เมื่อสิ้นสุดหลักสูตรนี้ คุณจะมีขั้นตอนปฏิบัติที่สามารถปฏิบัติตามเพื่อปรับปรุงคุณภาพของคำตอบได้ LLM สร้างขึ้นเมื่อใช้แหล่งความรู้แบบกำหนดเอง

RAG ผสมผสานแนวคิดอันทรงพลังสองประการ ได้แก่ การดึงข้อมูล และ การสร้างข้อมูล ช่วยให้ตัวแทน AI ของคุณดึงข้อมูลที่แม่นยำจากแหล่งข้อมูลจำนวนมาก เช่น แคตตาล็อกผลิตภัณฑ์หรือรายการนโยบาย จากนั้นจึงใช้โมเดลภาษาเพื่อสร้างคำตอบที่เป็นธรรมชาติและให้ข้อมูล ซึ่งหมายความว่าตัวแทนไม่เพียงแต่ให้คำตอบ แต่ยังให้ คำตอบที่ถูกต้อง จากแหล่งที่เชื่อถือได้อย่างรวดเร็วและแม่นยำ

แต่ประเด็นอยู่ที่ว่า คุณภาพของการตอบกลับของตัวแทนของคุณขึ้นอยู่กับคุณภาพและโครงสร้างของข้อมูลที่คุณป้อนเข้าไปอย่างมาก หากข้อมูลที่ส่งไปนั้นรกรุงรัง ซ้ำซ้อน หรือไม่มีโครงสร้าง คำตอบของตัวแทนของคุณจะสะท้อนให้เห็นสิ่งนั้น นี่คือจุดที่ การประมวลผลข้อมูลเบื้องต้น มีความสำคัญ การเตรียมข้อมูลของคุณอย่างระมัดระวังจะช่วยสร้างรากฐานสำหรับการตอบกลับที่มีคุณภาพสูง มีความหมาย และแม่นยำ

ในซีรีส์นี้ เราจะแนะนำคุณเกี่ยวกับทุกสิ่งที่คุณจำเป็นต้องรู้เพื่อเตรียมไฟล์และข้อมูลของคุณให้พร้อมสำหรับ RAG เราจะครอบคลุมถึง:

• วิธีการจัดโครงสร้างเอกสารของคุณให้มีความชัดเจน
• แนวทางปฏิบัติที่ดีที่สุดในการทำความสะอาดและทำให้ข้อความเรียบง่าย
• การเพิ่มข้อมูลเมตาและบทสรุปเพื่อให้มีบริบทที่สมบูรณ์ยิ่งขึ้น
• เพิ่มประสิทธิภาพข้อมูลที่ไม่ใช่ข้อความ เช่น รูปภาพและตาราง
• การตรวจสอบและบำรุงรักษาข้อมูล

แต่ละวิดีโอจะอธิบายขั้นตอนเหล่านี้ด้วยตัวอย่าง เพื่อให้คุณได้ข้อมูลเชิงลึกที่สามารถนำไปปฏิบัติได้จริงเพื่อนำไปใช้กับโครงการ AI ของคุณโดยตรง เมื่อสิ้นสุดซีรีส์นี้ คุณจะมีเครื่องมือในการนำชุดข้อมูลใดๆ มาแปลงเป็น RAG และเพิ่มประสิทธิภาพการทำงานของตัวแทน AI ของคุณ